針對復(fù)雜多模優(yōu)化問題,提出一種基于搜索偏好知識的差分進(jìn)化算法PKLSHADE。PKLSHADE將先驗搜索偏好知識注入到種群的進(jìn)化過程,在不同的進(jìn)化階段對種群的多樣性和集約性區(qū)分考慮,進(jìn)化早期重視差分?jǐn)_動以增強(qiáng)算法的全局開發(fā)能力,進(jìn)化后期更多圍繞當(dāng)前最優(yōu)解進(jìn)行局部精細(xì)搜索。同時,基于搜索偏好知識的變異策略能夠?qū)崿F(xiàn)差分進(jìn)化算法全局開發(fā)和局部搜索的自適應(yīng)平滑過渡,避免兩搜索階段的硬切換。在CEC2017復(fù)雜混合多模函數(shù)上的實(shí)驗結(jié)果及統(tǒng)計分析表明,PKLSHADE在最優(yōu)解的精度、算法的穩(wěn)定性等方面均優(yōu)于LSHADE、EBLSHADE、jSO及AMECoDEs等近年來的優(yōu)秀差分進(jìn)化算法。 

【文章來源】：電子科技大學(xué)學(xué)報. 2020,49(06)北大核心

【文章頁數(shù)】：8 頁

【參考文獻(xiàn)】：
期刊論文
[1]差分演化的收斂性分析與算法改進(jìn)[J]. 賀毅朝,王熙照,劉坤起,王彥祺.  軟件學(xué)報. 2010(05)



本文編號：2993623