朴素差分进化算法

doi:10.11772/j.issn.1001-9081.2015.05.1333

计算机应用 ›› 2015, Vol. 35 ›› Issue (5): 1333-1335.DOI: 10.11772/j.issn.1001-9081.2015.05.1333

朴素差分进化算法

汪慎文^1,2, 张文生², 秦进³, 谢承旺⁴, 郭肇禄⁵

1. 石家庄经济学院信息工程学院, 石家庄 050031;
2. 中国科学院自动化研究所, 北京 100190;
3. 贵州大学计算机学院, 贵阳 550025;
4. 华东交通大学软件学院, 南昌 330013;
5. 江西理工大学理学院, 江西赣州 341000

收稿日期:2014-12-29 修回日期:2015-02-06 出版日期:2015-05-10 发布日期:2015-05-14
通讯作者: 汪慎文
作者简介:汪慎文(1979-),男,湖北红安人,副教授,博士,CCF会员,主要研究方向:智能计算、机器学习; 张文生(1966-),男,河南郑州人,研究员,博士生导师,博士,主要研究方向:模式识别、机器学习; 秦进(1978-),男,贵州黔西人,副教授,博士,主要研究方向:智能计算;谢承旺(1974-),男,湖北武汉人,副教授,博士,主要研究方向:智能计算; 郭肇禄(1984-),男,江西南康人,讲师,博士,主要研究方向:智能计算、并行计算.
基金资助:
国家自然科学基金资助项目(61165004,61402481);河北省青年拔尖人才支持计划项目(冀字[2013]);河北省自然科学基金资助项目(F2015403046);河北省科技支撑计划项目(13210331);河北省教育厅青年科学基金资助项目(QN20131053);石家庄经济学院博士科研启动基金资助项目(BQ201322);江西省教育厅青年科学基金资助项目(GJJ14456,GJJ14373).

Naïve differential evolution algorithm

WANG Shenwen^1,2, ZHANG Wensheng², QIN Jin³, XIE Chengwang⁴, GUO Zhaolu⁵

1. School of Information Engineering, Shijiazhuang University of Economics, Shijiazhuang Hebei 050031, China;
2. Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China;
3. School of Computer, Guizhou University, Guiyang Guizhou 550025, China;
4. School of Software, East China Jiaotong University, Nanchang Jiangxi 330013, China;
5. School of Science, Jiangxi University of Science and Technology, Ganzhou Guangdong 34100, China

Received:2014-12-29 Revised:2015-02-06 Online:2015-05-10 Published:2015-05-14

摘要/Abstract

摘要：

针对变异算子学习方式的单一性,提出一种朴素变异算子,其基本思想是向优秀的个体靠近,同时远离较差个体,其实现方式是设计一种缩放因子调整策略,如果三个随机个体在某维上比较接近,则缩放因子变小,反之变大.在实验过程中通过平均适应度评价次数、成功运行次数和加速比等指标表明,基于朴素变异算子的差分进化算法能有效提高算法的收敛速度和健壮性.

关键词: 差分进化, 朴素变异算子, 缩放因子, 集成进化

Abstract:

In order to solve singleness of mutation study, a naïve mutation strategy was proposed to approach the best individual and depart the worst one. So, a scale factor self-adaptation mechanism was used and the parameter was set to a small value when the dimension value of three random individuals is very close to each other, otherwise, set it to a large value. The results showed that the Differential Evolution (DE) with the new mechanism exhibits a robust convergence behavior measured by average number of fitness evaluations, successful running rate and acceleration rate.

Key words: Differential Evolution (DE), naï, ve mutation operator, scale factor, integrated evolution

中图分类号:

TP301

汪慎文, 张文生, 秦进, 谢承旺, 郭肇禄. 朴素差分进化算法[J]. 计算机应用, 2015, 35(5): 1333-1335.

WANG Shenwen, ZHANG Wensheng, QIN Jin, XIE Chengwang, GUO Zhaolu. Naïve differential evolution algorithm[J]. Journal of Computer Applications, 2015, 35(5): 1333-1335.

参考文献

[1] STORN R, PRICE K. Differential evolution: a simple and efficient adaptive scheme for global optimization over continuous spaces, TR-95-012[R]. Berkeley: International Computer Science Institute, 1995.
[2] WANG S, DING L, ZHANG W, et al. Survey of differential evolution[J]. Journal of Wuhan University: Natural Science Edition,2014, 60(4):283-292(汪慎文,丁立新,张文生,等.差分进化算法研究进展[J]. 武汉大学学报:理学版, 2014,60(4):283-292.)
[3] LIU J. A fuzzy adaptive differential evolution algorithm[J].Soft Computing, 2005, 9(6): 448-462.
[4] ZHANG J., SANDERSON A. JADE: adaptive differential evolution with optional external archive[J]. IEEE Transactions on Evolutionary Computation,2009,13(5): 945-958.
[5] BREST J, GREINER S, BOSKOVIC B, et al. Self-adapting control parameters in differential evolution: a comparative study on numerical benchmark problems[J]. IEEE Transactions on Evolutionary Computation,2006,10(6): 646-657.
[6] FAN L J, LAMPINEN J.A trigonometric mutation operator to differential evolution[J]. Journal of Global optimization, 2003, 27(1):105-129.
[7] SUN J, ZHANG Q, TSANG E. DE/EDA: a new evolutionary algorithm for global optimization[J].Information Sciences, 2005,169(3): 249-262.
[8] RAHNAMAYAN S, TIZHOOSH H, SALAMA M. Opposition-based differential evolution[J]. IEEE Transactions on Evolutionary Computation, 2008,12(1):64-79.
[9] MALLIPEDDI R, SUGANTHAN P, PAN Q, et al. Differential evolution algorithm with ensemble of parameters and mutation strategies[J]. Applied Soft Computing,2011, 11(2):1679-1696.
[10] QIN A, HUANG V, SUGANTHAN P. Differential evolution algorithm with strategy adaptation for global numerical optimization[J]. IEEE Transactions on Evolutionary Computation, 2009,13(2): 398-417.
[11] WANG S, DUAN Y, SHU W, et al. Differential evolution with elite mutation strategy[J]. Journal of Computational Information Systems,2013,9(3):855-862.
[12] QIN J, LIANG Z. A naïve particle swarm optimization[C]// Proceedings of the 2012 IEEE Congress on Evolutionary Computation. Piscataway: IEEE,2012:163-170.
[13] YAO X, LIU Y, LIU G. Evolutionary programming made faster [J]. IEEE Transactions on Evolutionary Computation, 1999, 3(2): 82-102.

[1]	张祥飞, 鲁宇明, 张平生. 基于协同进化的约束多目标优化算法[J]. 计算机应用, 2021, 41(7): 2012-2018.
[2]	蔡瑞光, 张德生, 肖燕婷. 参数独立的加权局部均值伪近邻分类算法[J]. 计算机应用, 2021, 41(6): 1694-1700.
[3]	贾鹤鸣, 姜子超, 李瑶, 孙康健. 基于改进斑点鬣狗优化算法的同步优化特征选择[J]. 计算机应用, 2021, 41(5): 1290-1298.
[4]	薛锋, 史旭华, 史非凡. 基于代理模型的差分进化约束优化[J]. 计算机应用, 2020, 40(4): 1091-1096.
[5]	赵志学, 李夏苗, 周鲜成. 考虑拥堵区域的多车型绿色车辆路径问题优化[J]. 计算机应用, 2020, 40(3): 883-890.
[6]	冯帅栋, 陈立家, 刘名果. 基于随机结构的无乘法无限冲激响应数字滤波器设计方法[J]. 计算机应用, 2018, 38(9): 2621-2625.
[7]	张鑫, 邹德旋, 沈鑫. 含交叉项的混合二范数粒子群优化算法[J]. 计算机应用, 2018, 38(8): 2148-2156.
[8]	刘宝, 董明刚, 敬超. 改进的排序变异多目标差分进化算法[J]. 计算机应用, 2018, 38(8): 2157-2163.
[9]	袁亦川, 杨洲, 罗廷兴, 秦进. 求解动态优化问题的多种群竞争差分进化算法[J]. 计算机应用, 2018, 38(5): 1254-1260.
[10]	李龙澍, 翁晴晴. 基于反向学习的自适应差分进化算法[J]. 计算机应用, 2018, 38(2): 399-404.
[11]	张强, 邹德旋, 耿娜, 沈鑫. 基于多变异策略的自适应差分进化算法[J]. 计算机应用, 2018, 38(10): 2812-2821.
[12]	张斌, 李延晖, 郭昊. 基于反向学习的跨种群差分进化算法[J]. 计算机应用, 2017, 37(4): 1093-1099.
[13]	刘曦, 张潇璐, 张学杰. 异构云系统中基于智能优化算法的多维资源公平分配[J]. 计算机应用, 2016, 36(8): 2128-2133.
[14]	关志艳, 冯秀芳. 差分进化融合混合虚拟力的有向传感器网络覆盖算法[J]. 计算机应用, 2016, 36(12): 3244-3250.
[15]	肖振久, 孙健, 王永滨, 姜正涛. 基于果蝇优化算法的小波域数字水印算法[J]. 计算机应用, 2015, 35(9): 2527-2530.

朴素差分进化算法

Naïve differential evolution algorithm

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics