同质差分进化算法集成研究

论文摘要

作为进化算法中的一支新秀,差分进化算法已在许多应用领域和多年进化大赛中展现出优越的性能。但是,当应用于一些复杂的优化问题时,差分进化算法仍然存在一些问题有待研究解决。其中,以下3个方面的不足最为业内关注：（1）差分进化算法的普适性和鲁棒性有待提高；（2）差分变异算子众多且功能各异,在设计差分进化算法时,它们却没有被系统性的利用；（3）集成框架依赖于的特定的算法设计,集成算子之间的耦合度较高,不能完全达到集成框架重用的可移植性和互操作性。针对前两个方面的不足,本文采用集成性能互补的差分变异算子的思想提高差分进化算法的性能,包括寻优效率、普适性和鲁棒性。针对集成框架方面的不足,本文从系统级和应用级上研究集成框架,实现集成框架的共享。同时,本文将应用静态知识指导的三种集成计算框架的差分进化集成算法用于求解各类优化问题,取得了较好的成果。主要研究工作概况如下：1.深入研究了集成进化相关理论。从集成进化研究的动机出发,构建集成进化算法的定义,讨论与其相似概念的区别,设计集成进化的计算框架,阐述集成进化的分类和特征等基本问题。2.探讨差分变异算子自适应机制,提出一种基于混沌系统的适应缩放比例因子F的差分进化算法,通过标准测试函数对该算法进行分析比较,实验结果验证了新算法的优越性。3.融合算子"DE/rand/1"和算子"DE/current-to-best"的优点,设计了一种新的差分变异算子"DE/elite-to-rand "。为了验证该算子的有效性,通过标准测试函数对基于"DE/elite-to-rand"策略的差分进化算法进行测试,并与基于"DE/rand/1"的差分进化算法和基于"DE/current-to-best"的差分进化算法进行比较,实验结果验证了新算法的优越性。4.针对传统差分演化算法在演化后期收敛速度变慢的问题,利用精英个体的良好信息,在一般反向学习方法的基础上,提出精英反向学习策略,并以进化进程分层的集成框架为指导,设计了一种集成精英反向学习策略的差分进化算法（EODE）,并从理论上证明了该算法的全局收敛性。对比实验结果表明,精英反向学习策略比一般反向学习策略具有更强的搜索能力,EODE算法的性能具有明显优势。5.提出多种群多策略的集成差分进化算法。在该算法中,从三个方面开展工作：（1）基于进化种群分层的集成框架为该算法提供一个计算平台,为算法的有利实施提供指导；（2）挑选高性能和优势互补的策略和参数,提高差分进化算法的“勘探”和“开采”能力；（3）设计合适的种间信息交换机制提高算法的多样性、收敛速度和求解精度。6.基于进化空间分层的计算框架,提出一种多空间多策略的差分进化算法（SMDE）。该算法的核心思想是将搜索空间动态分割成三个子空间,分布在每个子空间上的个体分别应用不同的子优化器,产生新的种群或新的个体。通过相应的标准测试函数对算法进行测试,并与其他算法进行比较,验证了SMDE算法的优越性。

论文目录

• 论文创新点
• 目录
• 表格
• 插图
• 摘要
• ABSTRACT
• 1 绪论
• 1.1 优化问题概述
• 1.1.1 无旋转偏移的简单单模函数
• 1.1.2 无旋转偏移的较难单模函数
• 1.1.3 无旋转偏移的较难多模函数
• 1.1.4 无旋转偏移的简单多模函数
• 1.2 优化技术概述
• 1.3 差分进化算法概述
• 1.3.1 差分进化算法原理
• 1.3.1.1 初始化算子
• 1.3.1.2 变异算子
• 1.3.1.3 修补算子
• 1.3.1.4 杂交算子
• 1.3.1.5 选择算子
• 1.3.1.6 算法伪代码
• 1.3.2 差分进化算法的研究现状
• 1.3.2.1 改进操作算子
• 1.3.2.2 基于静态知识指导的差分进化集成算法
• 1.3.2.3 基于动态知识指导的差分进化集成算法
• 1.4 本文工作及章节安排
• 1.4.1 研究路线
• 1.4.2 本文组织结构与主要工作
• 2 集成进化优化算法
• 2.1 研究集成进化优化算法的动机
• 2.2 集成进化定义
• 2.3 集成进化的计算框架
• 2.4 集成进化的分类
• 2.5 集成进化的主要特征
• 2.6 小结
• 3 差分进化算法参数和变异算子的分析与设计
• 3.1 差分进化算法不同参数设置的实验及其性能分析
• 3.2 适应缩放比例因子F的参数分析
• 3.2.1 研究动机
• 3.2.2 混沌概念
• 3.2.3 算法思想
• 3.2.4 实验研究
• 3.2.4.1 参数设置
• 3.2.4.2 与其他差分进化算法实验比较
• 3.2.4.3 杂交概率控制参数分析
• 3.3 精英差分变异算子
• 3.3.1 研究动机
• 3.3.2 算法思想
• 3.3.3 实验研究
• 3.3.3.1 评价指标
• 3.3.3.2 精英差分进化算法的一般性能
• 3.3.3.3 群体规模的影响
• 3.3.3.4 高维优化问题的求解能力研究
• 3.4 小结
• 4 基于进化进程分层的差分进化集成算法
• 4.1 反向学习策略
• 4.1.1 一般反向学习策略
• 4.1.2 精英反向学习策略
• 4.2 算法框架
• 4.3 算法收敛性分析
• 4.4 实验研究
• 4.4.1 IF-ELSE、DO-IF和DO-DO三种框架比较
• 4.4.2 精英个体比例大小的研究
• 4.4.3 DE、ODE、GODE和EODE的性能比较
• 4.4.4 EODE与其他改进的DE算法的性能比较
• 4.5 小结
• 5 基于进化种群分层的差分进化集成算法
• 5.1 研究动机
• 5.2 提出的算法
• 5.2.1 策略知识库和参数知识库的选取
• 5.2.2 策略知识库和参数知识库的组合
• 5.2.3 子种群动态划分及与算子的对应关系
• 5.2.4 种间信息交换机制与交换周期
• 5.2.5 算法伪代码
• 5.3 实验研究
• 5.3.1 种间信息交换机制研究
• 5.3.2 种间信息交换周期研究
• 5.3.3 与其他差分进化算法的最终解质量比较
• 5.3.4 与其他差分进化算法的收敛速度和成功次数比较
• 5.4 小结
• 6 基于进化空间分层的差分进化集成算法
• 6.1 研究动机
• 6.2 提出的算法
• 6.2.1 子种群划分
• 6.2.2 种内子优化器设计
• 6.2.3 参数自适应机制设计
• 6.3 实验研究
• 6.3.1 子种群比例参数研究
• 6.3.2 SMDE与其他经典的DE算法的性能比较
• 6.3.3 SMDE与已发表结果的比较
• 6.3.4 SMDE与其他非DE算法的性能比较
• 6.4 小结
• 7 全文总结与展望
• 参考文献
• 攻博期间发表的科研成果目录
• 致谢