基于M-H采样的快速反向微分进化算法

摘要：

反向微分进化( ODE)算法基于反向优化对种群进行初始化更新以保持种群多样性。但该算法中反向个体容易偏离全局最优个体,不能很快达到全局最优,在函数优化过程中收敛速度慢且容易陷入局部最优。为此,提出一种基于M-H采样的快速反向微分进化算法。 M-H采样用于ODE算法的变异操作,满足马尔可夫链可逆条件。马尔可夫链的一步转移概率根据个体等级分配的选择概率进行计算,既能选择最优个体,又能寻找优化方向并保持种群多样性。仿真结果表明,M-H采样得到的个体具有马尔可夫链平稳分布特性,该算法在单峰函数和多峰函数优化中都能快速收敛,全局和局部搜索性能达到平衡,具有较高的搜索精度及较好的鲁棒性。

关键词：微分进化算法、反向微分进化算法、转移概率、平稳分布、马尔可夫链蒙特卡洛、反向学习

分类号：TP301.6(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61305017;江苏省自然科学基金资助项目BK20130154;江苏高校优势学科建设工程基金资助项目。

在线出版日期：2014-12-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：155-159,166