[发明专利]一种基于策略适应性差分进化的全局优化方法

说明书

技术领域

本发明涉及一种智能优化、计算机应用领域，尤其涉及的是，一种基于策略适应性 差分进化的全局优化方法。

背景技术

在经济、科学和工程等领域经常遇到一些全局优化问题，在全局优化中，算法需要 从众多的局部最优解中找出一个全局最优解，然而，对于这些全局优化算法最大的问题就 是可能陷入局部最优而无法求得全局最优解。随着工程优化问题的日趋复杂，优化问题的 目标函数的性态也变得越来越复杂，通常是不连续、不可微、高度非线性的，没有明确的解 析表达式，且具有多个峰值、多目标的特征。因此，传统的优化方法(如基于梯度的方法)无 法用于求解复杂问题。

近年来，进化算法(EAs)作为全局优化技术被广泛应用于各个领域。根据自然进化 机制和适者生存，进化算法利用种群中个体的协同学习过程来指导进化，并通过随机操作 (如变异、重组)来生成后代，然后通过选择操作选择适应度较好的个体。

差分进化算法(DE)作为一种随机性算法，已被证明是进化算法中最简单，且强大 的全局优化算法。与其他进化算法一样，DE算法也包含变异、交叉和选择三个操作。新个体 通过结合与其对应的父代个体和变异个体来产生，其中变异个体是基于当前种群中解的分 布规律来产生的。当新个体的适应度值由于父代个体时，则新个体替换父代个体。DE算法具 有算法通用，不依赖于问题信息，原理简单，易于实现，记忆个体最优解和种群内信息共享 以及较强的全局收敛能力等特点。因此，DE算法在通信、电力系统、光学、化工及机械工程等 领域的广泛应用中展现出了其独特的优势。

尽管DE算法在很多领域得到了广泛应用，但在理论和应用中也暴露出一些弱点。 在DE算法中，各变异策略具有不同的特性，例如，有些变异策略全局探测能力较强，但是局 部搜索能力较弱，从而导致算法后期收敛速度较慢；有些变异策略全局探测能力较弱，局部 搜索能力较强，但是容易导致算法陷入局部最优，而出现早熟收敛。因此，对于一个特定的 问题，如何从众多的变异策略中选取一个最合适的策略直接关系到求解的成功与否；另外， 随着进化过程的进行，算法可能在不同的区域之间搜索，在全局探测和局部搜索状态之间 不停的切换，不同的区域可能需要不同的策略。

针对DE算法变异策略选择难的问题，不少学者提出了一些策略。Zamuda等人通过 对各变异策略设置一个固定的选择概率，然后利用一个随机参数来决定选择哪个变异策 略；Xie等人基于各变异策略前期的成功率，利用神经网络自适应的更新各变异策略的权 重；Qin等人在DE算法中设置了多个变异策略，然后根据各策略前期的成功率来动态更新各 策略被选中的概率。Wang等人在算法中设置一组策略池，然后通过各策略竞争来生成新个 体。这些方法取得了一定的效果，然是对于一些大规模问题，策略的选择仍是难题。

因此，现有的基于差分进化算法的全局优化方法在策略选择方面存在着缺陷，需 要改进。

发明内容

为了克服现有的基于差分进化算法的全局优化方法在策略选择方面的不足，本发 明根据各个体的适应度信息和距离信息来判断各个体在进化过程中所处的状态，进而根据 各个体的状态选择合适的策略，从而提出一种有效避免策略选择不当而影响算法的性能、 提升优化性能的基于策略适应性差分进化的全局优化方法。

本发明解决其技术问题所采用的技术方案是：

一种基于策略适应性差分进化的全局优化方法，所述优化方法包括以下步骤：

1)初始化：设置种群规模N_P，初始交叉概率C_R，初始增益常数F；

2)随机生成初始种群P＝{x^1,g,x^2,g,...,x^Np,g}，并计算出各个体的目标函数值，其 中，g为进化代数，x^i,g,i＝1,2,…,Np表示第g代种群中的第i个个体，若g＝0，则表示初始种 群；

3)根据各个体x^i,g的目标函数值f(x^i,g)对各个体进行降序排列，并记下各个体的 排名F^i,g，并找出当前种群中的最优个体x^best,g，其中，F^i,g表示第g代种群中第i个个体的目 标函数值排名；