差分進(jìn)化算法和群集蜘蛛優(yōu)化算法的研究.pdf

1、差分進(jìn)化(DE)算法已經(jīng)成為解決連續(xù)型數(shù)值優(yōu)化問題的經(jīng)典方法。本文的第一部分，把簡化群優(yōu)化算法的交叉策略、協(xié)方差矩陣學(xué)習(xí)策略與傳統(tǒng)的差分進(jìn)化算法結(jié)合，提出一個(gè)新的DE算法的變種，我們把它稱作SCDE算法。正如我們所知，DE算法的變異策略在DE算法中占據(jù)了非常重要的位置，然而，傳統(tǒng)的DE算法的變異策略都是用相對(duì)位置來產(chǎn)生候選解，在本文中嘗試?yán)脗€(gè)體歷史最優(yōu)解的絕對(duì)位置來誘導(dǎo)變異產(chǎn)生候選解，這將大大的提高種群跳出局部最優(yōu)的能力。此外，我們將

2、算法的變異和交叉操作放在由種群的協(xié)方差矩陣的所有特征向量組成的坐標(biāo)系中執(zhí)行，這將使算法的交叉和變異操作具有旋轉(zhuǎn)不變性。實(shí)驗(yàn)結(jié)果表明，本文提出的新的交叉和變異策略可以大大提高DE算法在CEC2013中28個(gè)測試函數(shù)的結(jié)果。并且將SCDE算法應(yīng)用在解決組合優(yōu)化問題之TSP問題后也取得了較優(yōu)的結(jié)果。
　　群集蜘蛛優(yōu)化算法是由Cuevas首次提出模擬群集蜘蛛相互協(xié)作的一種新型的群智能優(yōu)化算法。從數(shù)值模擬的結(jié)果顯示，相比較對(duì)比算法粒子群算法

3、、人工蜂群算法，群集蜘蛛算法在全局尋優(yōu)能力方面的性能更強(qiáng)。然而，平衡算法的全局搜索能力和勘探能力是對(duì)一個(gè)群智能算法至關(guān)重要的一點(diǎn)，它直接影響算法是否會(huì)過早收斂或精確度不足，這也是傳統(tǒng)的群集蜘蛛優(yōu)化算法所存在的問題。受到粒子群算法和差分進(jìn)化算法啟發(fā)，在本文的第二部分提出一種新的基于差分進(jìn)化變異策略和自適應(yīng)權(quán)重系數(shù)的群集蜘蛛優(yōu)化算法（表示為wDESSO）。在新算法中我們主要工作有以下幾點(diǎn):1.一個(gè)隨著種群迭代次數(shù)動(dòng)態(tài)變化的權(quán)重系數(shù)將被提出，

4、用于自適應(yīng)群集優(yōu)化算法的搜索范圍;2.在算法結(jié)束了婚配操作之后，兩種差分進(jìn)化算法的變異策略將被應(yīng)用在新的算法中，用于增強(qiáng)算法的全局搜索能力和跳出局部最優(yōu)的能力。根據(jù)不同的變異策略，新提出的算法可以被分為兩類:wDESSO-Ⅰ算法和wDESSO-Ⅱ算法。隨后，幾組實(shí)驗(yàn)將用來檢驗(yàn)新的群集蜘蛛算法的性能，其中一個(gè)實(shí)驗(yàn)是將新型的群集蜘蛛優(yōu)化算法與傳統(tǒng)的群集蜘蛛優(yōu)化算法、粒子群算法、人工蜂群算法在15個(gè)標(biāo)準(zhǔn)測試集上做比較，并對(duì)結(jié)果做了威爾科克森符