Tag Archives: 差分进化算法

差分进化算法的参数影响研究

差分进化算法性能优越、容易理解、易于实现,一经提出就倍受关注并得到了广泛的应用,但是DE算法本身仍有很多值得研究的地方,例如:参数的设置问题。差分进化算法的性能很大程度上和参数的选取有关。然而对DE算法参数分析的专门性文章却很少,本文对影响算法性能的三个主要参数展开了一些研究分析,并给出了一些合理的选取规则。
阅读全文 >

对称交叉的差分进化算法

标准差分进化算法产生新个体时,采用的交叉算子是以交叉因子CR为依据的交叉方式,当(rand() < CR)时,这一维度上的变量采用经过变异后的相应维度上的变量,其余的维度上仍保持原来的值不变,经过变异交叉后产生的这个新个体与父个体通过选择操作选优。
阅读全文 >

基于适应度分工的差分进化算法

基于适应度分工的差分进化算法的分工方式是依据每代群体的适应度进行分组,每个分组采用相对于此分组优化特征更优异的变异策略。与下面列出的分工方式并不一样,因此可以单独列出来。CnHUP之前提到过的混合变异策略差分进化算法及其特征有这些:
阅读全文 >

Python实现的差分进化算法源代码

使用Python实现的差分进化算法,引用到Numpy和Scipy,可以支持多核与集群并行计算。使用时只需继承DESolver并定义函数def error_func(self, indiv, *args)作为目标函数即可。具体代码如下:
阅读全文 >

混沌局部搜索策略的差分进化算法

鉴于混沌的遍历性特征,不少人结合了混沌对差分进化算法进行改进,目前提出的混沌差分进化算法可以分为3类:

① 用混沌的方法改变DE的2个参数,即缩放因子F和交叉因子CR;

② 用混沌的方法产生变异个体 ;

③ 是用混沌的方法产生初始种群和子群体。

这里描述的混沌局部搜索策略的差分进化算法属于另外一种类型,可以称之为混沌局部搜索方法。这种方法就是用差分进化算法找出每一代中的最佳个体,然后在最佳个体附近用混沌的方法进行一定次数的局部搜索。
阅读全文 >

基于差分进化与粒子群优化的混合优化算法

差分进化算法DE与粒子群优化算法PSO都是属于群体的启发式算法。DE的变异算子有利于增加全局搜索能力,保证种群的多样性;交叉算子并进行选择可以提高局部搜索能力,加快收敛速度;选择算子具有一定的记忆能力,能够保留优秀个体。PSO在种群多样性有保障的情况下,可以较好地探索求解区域,收敛速度也比较快。这里融合DE与PSO各自的特色鲜明的算子,以期可以提高优化算法的性能。具体操作步骤如下
阅读全文 >

又一种自适应控制参数的差分进化算法

水文工具集站点曾描述一种自适应算法参数的差分进化算法,通过增加个体维度来自适应算法控制参数,这里给出另外一种差分进化算法自适应控制参数的方式。
阅读全文 >