集成协方差矩阵自适应进化策略与差分进化的优化算法

摘要：

不同智能优化算法在求解优化问题时通常表现出显著的性能差异.差分进化(DE)算法具备较好的全局搜索能力,但存在收敛慢、效率低的不足,协方差矩阵自适应进化策略(CMA–ES)局部搜索能力强,具备旋转不变性,但容易陷入局部最优,因此,DE和CMA–ES之间具有潜在的协同互补能力.针对上述问题,提出了一种集成协方差矩阵自适应进化策略与差分进化的优化算法(CMADE).在CMADE框架中,DE算法负责全局搜索,CMA–ES算法进行局部搜索.通过周期性解交换机制实现CMA–ES和DE两个算法间协同交互和反馈控制.在解交换时,从DE种群中选择优秀个体,利用CMA–ES算法在优秀个体周围进行局部搜索.同时在DE和CMA–ES的混合种群中,综合考虑解的多样性和最优性,选取一定比例的解作为DE算法的新种群进行全局搜索,实现全局搜索与局部搜索的动态平衡.将CMADE算法与CMA–ES,DE,SaDE,jDE,EPSDE,ACODE和SHADE算法在CEC2014标准测试集上进行比较实验.结果表明,CMADE整体性能显著优于其它比较算法.

关键词：智能优化算法;差分进化;协方差矩阵自适应进化策略;算法集成;连续优化

所属期刊栏目：38

资助基金：国家自然科学基金项目;中南大学研究生自主探索创新项目

在线出版日期：2021-11-24（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：1493-1502