差分進化算法及應用研究.pdf

1、論文首先介紹了智能優(yōu)化算法的產(chǎn)生對現(xiàn)代優(yōu)化技術(shù)的重要影響，闡述了智能優(yōu)化算法的研究和發(fā)展對現(xiàn)代優(yōu)化技術(shù)和工程實踐應用的必要性，歸納總結(jié)了智能優(yōu)化算法的主要特點，簡要介紹了智能優(yōu)化算法的主要研究內(nèi)容及應用領域。 對差分進化算法的原理進行了詳細的介紹，給出了差分進化算法的偽代碼。針對混合整數(shù)非線性規(guī)劃問題的特點，在差分進化算法的變異操作中加入取整運算，提出了一種適合于求解各種混合整數(shù)非線性規(guī)劃問題的改進差分進化算法。同時，采用時變交

2、叉概率因子的方法以提高算法的全局搜索能力和收斂速率。用四個典型測試函數(shù)進行了實驗研究，實驗結(jié)果表明，改進的差分進化算法用于求解混合整數(shù)非線性規(guī)劃問題時收斂速度快，精度高，魯棒性強。 采用非固定多段映射罰函數(shù)法處理問題的約束條件，提出了一種用改進差分進化算法求解非線性約束優(yōu)化問題的新方法。結(jié)合差分進化算法兩種不同變異方式的特點，引入模擬退火策略，使算法在搜索的初始階段有較強的全局搜索能力，而在后階段有較強的局部搜索能力，以提高算法

3、的全局收斂性和收斂速率。用幾個典型Benchmarks函數(shù)進行了測試，實驗結(jié)果表明，該方法全局搜索能力強，魯棒性好，精度高，收斂速度快，是一種求解非線性約束優(yōu)化問題的有效方法。 為保持所求得的多目標優(yōu)化問題Pareto最優(yōu)解的多樣性，提出了一種精英保留和根據(jù)目標函數(shù)值進行排序的多目標優(yōu)化差分進化算法。對排序策略中目標函數(shù)的選擇方式進行了分析和比較，并提出了一種確定進化過程中求得的精英解是否進入Pareto最優(yōu)解集的閾值確定方法。

4、用多個經(jīng)典測試函數(shù)進行了實驗分析，并與NSGA-Ⅱ算法進行了比較。實驗結(jié)果表明，本文方法收斂到問題的Pareto 前沿效果良好，獲得解的散布范圍廣，能有效保持所求得的Pareto最優(yōu)解的多樣性。 提出了一種新的基于群體適應度方差自適應二次變異的差分進化算法。該算法在運行過程中根據(jù)群體適應度方差的大小，增加一種新的變異算子對最優(yōu)個體和部分其它個體同時進行變異操作，以提高種群多樣性，增強差分進化算法跳出局部最優(yōu)解的能力。

5、對幾種典型Benchmarks函數(shù)進行了測試，實驗結(jié)果表明，該方法能有效避免早熟收斂，顯著提高算法的全局搜索能力。提出了將該改進算法用來整定不完全微分PID控制器最優(yōu)或近似最優(yōu)參數(shù)的新方法。為克服頻域中常用的積分性能指標如IAE，ISE和ITSE的不足，提出了一種新的時域性能指標對控制器性能進行測試和評價。用三個典型的控制系統(tǒng)對提出的ASMDE-PID控制器進行了測試。實驗結(jié)果表明，該方法實現(xiàn)容易，收斂性能穩(wěn)定，計算效率高。與ZN，GA

6、和ASA方法相比，DE在提高系統(tǒng)單位階躍響應性能方面效率更高，魯棒性更強。 為了提高差分進化算法的全局搜索能力和收斂速率，提出了一種雙群體偽并行差分進化算法。該算法結(jié)合差分進化算法DE/best/2/bin變異方式局部搜索能力強，收斂速度快，和DE/rand/1/bin變異方式全局搜索能力強，魯棒性好的特點，采用串行算法結(jié)構(gòu)實現(xiàn)并行差分進化算法獨立進化、信息交換的思想。為使初始化個體均勻分布在搜索空間，提高算法收斂到全局最優(yōu)解的

7、魯棒性，提出了一種基于平均熵的初始化策略。典型Benchmarks函數(shù)測試和非線性系統(tǒng)模型參數(shù)估計結(jié)果表明，該方法能顯著提高算法的收斂速率和全局搜索能力。 基本差分進化算法的控制參數(shù)在進化過程中是保持不變的，對于不同的優(yōu)化問題要確定合適的控制參數(shù)是件不容易的事。根據(jù)生成差分矢量的兩個不同個體矢量在搜索空間中的相對位置，對縮放因子F 提出了一種自適應策略；根據(jù)目標個體矢量的收斂情況，提出了一種自適應交叉概率CR策略，使適應度好的目