基于目標(biāo)優(yōu)化的差分進(jìn)化算法研究.pdf

1、差分進(jìn)化算法是智能優(yōu)化算法的一種，智能優(yōu)化算法是受啟發(fā)于現(xiàn)實(shí)生活中某一自然現(xiàn)象或過程而建立起來的人工智能算法。這類算法可以并行執(zhí)行、學(xué)習(xí)先前的經(jīng)驗(yàn)和調(diào)整自身并適應(yīng)后續(xù)過程等特點(diǎn)，而影響差分進(jìn)化算法參數(shù)少，算法理論比較簡單，實(shí)現(xiàn)起來比較容易等特點(diǎn)，對(duì)差分進(jìn)化算法的研究成為了最優(yōu)化算法領(lǐng)域的重要課題之一。本文通過對(duì)傳統(tǒng)的差分進(jìn)化算法和改進(jìn)的差分進(jìn)化算法研究和分析，基于動(dòng)態(tài)自適應(yīng)的參數(shù)設(shè)置和隨機(jī)選取突變策略思路進(jìn)行了深入研究。
　　首先

2、，本文對(duì)差分進(jìn)化算法的執(zhí)行過程和影響差分進(jìn)化算法的性能因素進(jìn)行分析和研究，掌握每個(gè)因素的影響，進(jìn)而確定已有算法的不足之處。針對(duì)現(xiàn)有算法中存在的對(duì)目標(biāo)函數(shù)優(yōu)化的通用性不強(qiáng)等特點(diǎn)，因此在本文中的兩個(gè)算法都采用自適應(yīng)調(diào)整參數(shù)和策略的方式，從而既保證算法的收斂速度，又保障算法尋找到的最優(yōu)解的質(zhì)量。
　　其次，本文對(duì)所需優(yōu)化的目標(biāo)函數(shù)的類型不確定，而對(duì)于不同的優(yōu)化問題需要的參數(shù)值和突變策略類型的需求不一致。因此在每一次迭代之前，采用正態(tài)分布

3、函數(shù)生成比例因子F的值和交叉率Cr的值，同時(shí)通過rand(0,1)隨機(jī)抽取要參與突變操作的突變策略類型，而且結(jié)合兩種選擇操作方式，提出單目標(biāo)優(yōu)化的差分進(jìn)化算法。既保證了算法的快速收斂，也有利于快速找到全局最優(yōu)值。
　　再次，通過對(duì)多目標(biāo)優(yōu)化問題的分析和研究，多目標(biāo)函數(shù)優(yōu)化的pareto非支配解收斂性和互異性不好。因此采用正態(tài)分布函數(shù)生成F和Cr的值，和通過輪盤概率選擇突變策略類型，結(jié)合NSGA-ii算法中的pareto非支配解定義