应用精英反向学习策略的混合差分演化算法

被引：24

作者：

汪慎文 ^{[1
,2
,3
]}

丁立新 ^{[1
,3
]}

谢承旺 ^{[4
]}

郭肇禄 ^{[1
,3
]}

胡玉荣 ^{[1
,3
]}

机构：

[1] 武汉大学软件工程国家重点实验室

[2] 石家庄经济学院信息工程学院

[3] 武汉大学计算机学院

[4] 华东交通大学软件学院

来源：

武汉大学学报(理学版) | 2013年 / 59卷 / 02期

基金：

高等学校博士学科点专项科研基金;

关键词：

差分演化; 一般反向学习; 精英反向学习; 参数敏感性; 变异策略;

D O I：

10.14188/j.1671-8836.2013.02.001

中图分类号：

TP301.6 [算法理论];

学科分类号：

081202 ;

摘要：

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,并融合降低参数敏感性和变异策略敏感性的机制,设计了一种基于精英反向学习策略的混合差分演化算法(EOCoDE),从理论上证明了该算法的全局收敛性.新算法使用精英反向策略初始化种群,在进化过程中,如果满足预设定的学习概率,就执行精英反向算子,否则,随机组合参数知识库和策略知识库中的知识来产生差分演化种群.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,EOCoDE算法的性能具有明显优势.

引用

页码：111 / 116

页数：6