应用精英反向学习策略的混合差分演化算法

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.

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

所属期刊栏目：59

分类号：TP301(计算技术、计算机技术)

资助基金：国家自然科学基金60975050,61165004;高等学校博士学科点专项科研基金20070486081;中央高校基本科研业务费专项资金6081014;江西省自然科学基金20114BAB201025;福建省自然科学基金2012J01248;河北省科技支撑计划项目11213587

在线出版日期：2013-05-30（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：111-116