10.3969/j.issn.1673-4785.201310068
广义逆向学习方法的自适应差分算法
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。
差分算法、优化、自适应、逆向学习、收敛速度、精度、高维、初始化
TP18;O224(自动化基础理论)
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.
2015-03-25(万方平台首次上网日期,不代表论文的发表时间)
共7页
131-137