基于云理論的差分進(jìn)化算法改進(jìn)及應(yīng)用研究.pdf

1、差分進(jìn)化(DifferentialEvolution,DE)作為目前最優(yōu)秀的進(jìn)化優(yōu)化算法之一,是進(jìn)化計(jì)算、智能優(yōu)化技術(shù)方面的研究熱點(diǎn),已成功應(yīng)用于車(chē)間調(diào)度、數(shù)字信號(hào)處理、模式識(shí)別、機(jī)器智能、化工、醫(yī)學(xué)等諸多實(shí)際工程領(lǐng)域并取得了良好的應(yīng)用效果。然而,DE和其他進(jìn)化算法一樣,在對(duì)復(fù)雜優(yōu)化問(wèn)題進(jìn)行求解時(shí)仍不可避免地存在多樣性不足、易陷入局部最優(yōu)、后期收斂速度慢、控制參數(shù)難以設(shè)定等問(wèn)題。此外標(biāo)準(zhǔn)DE算法的結(jié)構(gòu)設(shè)計(jì)是用來(lái)解決無(wú)約束、單目標(biāo)的優(yōu)化問(wèn)

2、題,不可直接用于求解約束多目標(biāo)優(yōu)化問(wèn)題,在一定程度上限制了算法的應(yīng)用范圍。
　　本課題從理論和應(yīng)用兩方面對(duì)DE算法進(jìn)行了深入研究。從理論角度出發(fā),首先針對(duì)DE算法存在的不足,在算法的交叉操作以及變異操作方面進(jìn)行了深入研究和大量實(shí)驗(yàn)仿真工作,一方面提出了新的基于種群多樣性的交叉概率因子CR自適應(yīng)調(diào)整策略,有效提高了算法進(jìn)化后期種群多樣性,避免算法陷入局部最優(yōu);另一方面,提出新的變異策略,利用優(yōu)秀解個(gè)體提供搜索方向性信息,避免差分向量

3、中個(gè)體隨機(jī)選擇帶來(lái)的搜索盲目性。上述兩方面改進(jìn)構(gòu)成一種新的p-ADE算法,經(jīng)仿真實(shí)驗(yàn)表明能有效提高全局最優(yōu)解精度,加快算法收斂速度并增強(qiáng)DE算法的魯棒性,其相關(guān)性能指標(biāo)優(yōu)于目前國(guó)內(nèi)外較為先進(jìn)的DEGL、JADE、jDE、CLPSO等全局最優(yōu)化算法。其次,本課題首次將云理論思想引入到DE算法中,提出了云差分進(jìn)化算法——CDE算法,首先結(jié)合上述基于種群多樣性進(jìn)行CR參數(shù)自適應(yīng)調(diào)整的思想,利用云模型具有隨機(jī)性和穩(wěn)定傾向性的特點(diǎn),提出新的基于云

4、模型的CR自適應(yīng)調(diào)整方法,在保證種群多樣性的同時(shí)又提高了算法的收斂速度;其次對(duì)于復(fù)雜優(yōu)化問(wèn)題,單靠CR自適應(yīng)調(diào)整策略來(lái)擴(kuò)大種群多樣性已難以滿(mǎn)足算法對(duì)種群多樣性的要求,為避免陷入局部最優(yōu),利用正、反正態(tài)云發(fā)生器級(jí)聯(lián)對(duì)每個(gè)個(gè)體進(jìn)行單維擾動(dòng),進(jìn)一步改善種群分布提高種群多樣性。在典型測(cè)試函數(shù)上的仿真結(jié)果表明,本文提出的CDE能在算法進(jìn)化過(guò)程中有效改善種群多樣性,克服算法易陷入局部最優(yōu)的缺點(diǎn),收斂精度得到明顯提高,并加快了算法的收斂速度,在解決復(fù)

5、雜優(yōu)化問(wèn)題時(shí)優(yōu)勢(shì)明顯。
　　從應(yīng)用角度出發(fā),將云差分進(jìn)化算法分別應(yīng)用于約束多目標(biāo)優(yōu)化以及城市干線雙向交通信號(hào)協(xié)調(diào)優(yōu)化控制的求解中。對(duì)于約束多目標(biāo)問(wèn)題,首先采用本文提出的CDE算法作為約束多目標(biāo)算法的進(jìn)化策略,并提出新的變異策略,利用優(yōu)秀可行解和不可行解的方向信息增強(qiáng)算法對(duì)解的探索能力;其次,采用建立外部種群分別存儲(chǔ)可行解和不可行解的方式處理約束條件,并對(duì)已有可行解集的更新方法進(jìn)行改進(jìn),有效提高解集的分布性。在CTP類(lèi)測(cè)試函數(shù)上的仿