基于随机邻域变异和趋优反向学习的差分进化算法

摘要：

传统差分进化(DE)算法在迭代过程中不能充分平衡全局勘探与局部开发,存在易陷入局部最优、求解精度低、收敛速度慢等缺点.为提升算法性能,提出一种基于随机邻域变异和趋优反向学习的差分进化(RNODE)算法并对其进行复杂度分析.首先,为种群中每个个体生成随机邻域,用全局最佳个体引导邻域最佳个体生成复合基向量,结合控制参数自适应更新机制构成随机邻域变异策略,使算法在引导种群向最优方向趋近的同时保持一定的勘探能力;其次,为了进一步帮助算法跳出局部最优,对种群中较差个体执行趋优反向学习操作,扩大搜索区域;最后,将RNODE与九种算法进行对比以验证RNODE的有效性和先进性.在23个Bench-mark 函数和两个实际工程优化问题上的实验结果表明,RNODE算法收敛精度更高、速度更快、稳定性更优.

关键词：差分进化、随机邻域变异、趋优反向学习、实际工程优化

所属期刊栏目：40

分类号：TP301.6(计算技术、计算机技术)

资助基金：宁夏自然科学基金重点资助项目;宁夏高等教育一流学科建设基金资助项目;北方民族大学重大科研专项资助项目;南京证券支持基础学科研究项目

在线出版日期：2023-07-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：2003-2012