广义逆向学习方法的自适应差分算法

摘要：

针对差分算法（ differential evolution ， DE）在解决高维优化问题时参数设置复杂、选择变异策略困难的现象，提出了广义逆向学习方法的自适应差分进化算法（ self-adaptive DE algorithm via generalized opposition-based learning ， SDE-GOBL）。利用广义的逆向学习方法（ generalized opposition-based learning ， GOBL）来进行多策略自适应差分算法（ Self-adaptive DE， SaDE）的初始化策略调整，求出各个候选解的相应逆向点，并在候选解和其逆向点中选择所需要的最优初始种群，然后再进行自适应变异、杂交、选择操作，最后通过CEC2005国际竞赛所提供的9个标准测试函数对SDE-GOBL算法进行验证，结果证明该算法具有较快的收敛速度和较高的求解精度。

关键词：差分算法、优化、自适应、逆向学习、收敛速度、精度、高维、初始化

分类号：TP18;O224(自动化基础理论)

资助基金：国家自然科学基金资助项目61034008，61203099，61225016；北京市自然科学基金资助项目4122006；教育部博士点新教师基金资助项目20121103120020；北京市科技新星计划资助项目 Z131104000413007．

在线出版日期：2015-03-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：131-137