引導(dǎo)聚類的多層次差分演化算法研究.pdf

1、差分演化(Differential Evolution)算法是一種用于解決全局優(yōu)化的經(jīng)典演化算法，已經(jīng)成功應(yīng)用于解決一系列工程問題，但是差分演化算法也有一定的弱勢，特別是在全局優(yōu)化需要有限數(shù)量的適應(yīng)度函數(shù)評估次數(shù)來定位全局最優(yōu)解的情況下。在現(xiàn)實生活中，聚類算法在信息的歸類方面應(yīng)用頻率頗高，為了更進一步提高差分演化算法的性能，我們嘗試著用聚類算法對差分演化算法做進一步不同的優(yōu)化，論文主要創(chuàng)新點如下：
　?。?）提出了聚類的復(fù)合差分演

2、化算法，擺脫了傳統(tǒng)差分演化算法中控制參數(shù)和試驗向量生成策略單一的弱點，并且優(yōu)化過程中的聚類算法更有效的利用了種群信息，從而提高算法的優(yōu)化性能以及魯棒性。差分演化算法中的試驗向量生成策略以及控制參數(shù)的特點已經(jīng)被廣泛研究，這些先有知識可以用于設(shè)計更有效和魯棒性更強的差分演化變體算法，但是在一些自適應(yīng)差分演化算法和一些這方面的變體算法中，為每一個目標向量僅使用一個試驗向量生成策略和一組控制參數(shù)設(shè)置，為了沖破這種方式給算法搜索能力所帶來的限制，

3、本文提出了一種聚類的復(fù)合差分演化算法。
　?。?）提出了引導(dǎo)聚類的差分演化算法，克服了傳統(tǒng)基于聚類的差分演化算法中的隨機和盲目性，引導(dǎo)聚類的差分演化算法中的引導(dǎo)聚類方法不僅基于輸入數(shù)據(jù)，而且基于輸出適應(yīng)度值，更特殊的是，當聚類過程中沒有考慮到適應(yīng)度值時，聚類方式會轉(zhuǎn)換成普通的聚類算法過程，研究中通過數(shù)學實例證明了引導(dǎo)聚類算法的優(yōu)勢，在國際標準函數(shù)上的仿真實驗表明，引導(dǎo)聚類的差分演化算法在優(yōu)化性能和收斂速度上優(yōu)于基于聚類的差分演化算