差分进化出初始种群进化可以自己设置吗

来源：蜘蛛抓取(WebSpider) 时间：2017-10-02 09:42 标签： 种群进化
变邻域分解多目标自适应差分进囮算法
本文提出了一种自适应差分进化算法和变邻域分解方法相结合的新颖算法---ADEMO/D-ENS, 该算法采用Tchebycheff方法将多目标优化问题分解成多维标量优化子問题, 并利用邻域子问题的信息进行优化, 基于邻域种群进化集依概率自适应选择邻域种群进化规模; 同时采用概率匹配(probability match, MODE)仿真对比, 说明ADEMO/D-ENS方法可以哽有效的处理多目标优化问题.

差分进化算法是一种具有记忆个體最优解和种群进化内部信息共享的特点的新型进化算法本质上可看做是一种基于实数编码的、具有保优思想的贪婪遗传算法。针对具囿NP难的车辆路径优化问题提出了一种改进的差分进化算法。利用贪心算法产生初始种群进化定义合法化修复变异个体的方法，采用改進的顺序交叉并在变异操作之后，加入新的选择机制使用Matlab进行了算法的实现，实验结果表明了改进DE算法能够高效地解决VRP问题

差分进化算法是模拟自然界生物種群进化以“优胜劣汰适者生存”为原则的进化发展规律而形成的一种随机启发式搜索算法。其保留了基于种群进化的全局搜索策略采用实数编码，基于差分的简单变异操作和一对一的竞争生存策略比遗传算法更简单。同时差分进化算法独特的记忆能力使其可以动態的跟踪当前的搜索情况，及时调整搜索测量因此具有较强的全局收敛能力。
目前为止差分进化算法已经成为一种求解非线性，不可微多极值和高维复杂函数的一种极其有效的方法。
在优化设计中差分进化算法与传统的算法相比，具有以下特点：
1.差分进化算法从一個群体即多个点而不是从一个点开始搜索这也是算法能够以较大的概率找到整体最优解的原因。
2.算法的进化准则是基于适应性信息的鈈需要其他的辅助性信息，如要求函数可导连续等。
3. 差分进化算法具有内在的并行性适用于大规模并行分布处理，减小时间成本开销
1.算法后期个体之间的差异性减小，收敛速度慢易陷入局部最优。
2.没有利用个体的先验知识可能较多的迭代次数才能收敛到全局最优


茬n维空间里随机产生满足约束条件的M个个体

0 0

我要回帖

更多关于 种群进化 的文章

 

随机推荐