基于目標優(yōu)化的差分進化算法研究.pdf

1、差分進化算法是智能優(yōu)化算法的一種，智能優(yōu)化算法是受啟發(fā)于現實生活中某一自然現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、學習先前的經驗和調整自身并適應后續(xù)過程等特點，而影響差分進化算法參數少，算法理論比較簡單，實現起來比較容易等特點，對差分進化算法的研究成為了最優(yōu)化算法領域的重要課題之一。本文通過對傳統(tǒng)的差分進化算法和改進的差分進化算法研究和分析，基于動態(tài)自適應的參數設置和隨機選取突變策略思路進行了深入研究。
　　首先

2、，本文對差分進化算法的執(zhí)行過程和影響差分進化算法的性能因素進行分析和研究，掌握每個因素的影響，進而確定已有算法的不足之處。針對現有算法中存在的對目標函數優(yōu)化的通用性不強等特點，因此在本文中的兩個算法都采用自適應調整參數和策略的方式，從而既保證算法的收斂速度，又保障算法尋找到的最優(yōu)解的質量。
　　其次，本文對所需優(yōu)化的目標函數的類型不確定，而對于不同的優(yōu)化問題需要的參數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、函數生成比例因子F的值和交叉率Cr的值，同時通過rand(0,1)隨機抽取要參與突變操作的突變策略類型，而且結合兩種選擇操作方式，提出單目標優(yōu)化的差分進化算法。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，通過對多目標優(yōu)化問題的分析和研究，多目標函數優(yōu)化的pareto非支配解收斂性和互異性不好。因此采用正態(tài)分布函數生成F和Cr的值，和通過輪盤概率選擇突變策略類型，結合NSGA-ii算法中的pareto非支配解定義