發(fā)布時間：2024-02-20 21:27

　　進化計算的設(shè)計靈感來自于大自然的物種進化,能適應(yīng)不同的環(huán)境下的不同的問題,且在大多數(shù)情況下優(yōu)勢盡顯無疑,因此進化算法獲得了越來越多學者研究,已經(jīng)成為計算科學領(lǐng)域研究重點。差分進化算法是進化算法的一個分支,在傳統(tǒng)差分進化算法的變異策略中,種群中的個體以等概率形式被隨機抽出,作為父代向量進行遺傳變異進化,因而具有一定的盲目性,且搜索效率低,所以很多學者開始研究基于當前種群中的最優(yōu)個體的遺傳進化,或基于最優(yōu)個體的鄰域信息對算法性能進行提升,并取得了較好的研究成果。然而,現(xiàn)有的算子研究大都主要集中在對于種群單一個體研究,即使用單一個體信息來引導個體的變異,而忽視了種群的綜合信息對進化過程的引導能力。本文針對當前差分進化算法研究中存在的不足,為減少傳統(tǒng)差分進化算法進化過程的盲目性,提出一種基于種群信息提取策略(Information extraction strategy,簡稱IES)的框架,并將該策略框架運用于差分進化算法中的變異策略中的進化算子。本文的主要工作和創(chuàng)新點概括如下:通過綜合性地分析進化計算的思想及信息提取問題的數(shù)學規(guī)律,IES策略通過利用種群個體之間的有效信息的提取來指引進化方向...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【部分圖文】：

圖1-1差分進化算法流程圖

步驟3對初始種群進行適應(yīng)度評價，即計算初始種群中每個個體的適應(yīng)度值。步驟4判斷是否達到終止條件。如果是，則終止進化，將得到的最佳個體作為最優(yōu)解輸出；如果否，則繼續(xù)進化。步驟5進行變異和交叉操作，得到子代種群。步驟6在父代種群和子代種群中選擇適應(yīng)度較好的個體，得到新....

圖3-1高級DE算法和基于IES策略的改進算法在12個基準測試函數(shù)上的收斂圖

26圖3-1高級DE算法和基于IES策略的改進算法在12個基準測試函數(shù)上的收斂圖

圖3-2高級DE算法和基于最優(yōu)IES策略的改進算法在12個基準測試函數(shù)上的收斂圖

36圖3-2高級DE算法和基于最優(yōu)IES策略的改進算法在12個基準測試函數(shù)上的收斂圖

圖3-3基于Rank策略的高級DE算法和基于最優(yōu)IES策略的改進算法在12個基準測試函數(shù)上的收斂圖

當種群大小為150的時候，參與提取策略的最優(yōu)個體數(shù)為45。且基于信息提取策略的差分進化算法在提取信息個體數(shù)為最優(yōu)解的時候，在總共進行的96次比較當中，取得比原有的差分進化算法更低的誤差值的次數(shù)有93次，占優(yōu)比例為96.8%，對比收斂圖3-2、3-3也能看到信息提....

本文編號：3904545