CN109740724A - 基于参考方向的代理差分演化算法 - Google Patents
基于参考方向的代理差分演化算法 Download PDFInfo
- Publication number
- CN109740724A CN109740724A CN201910009266.5A CN201910009266A CN109740724A CN 109740724 A CN109740724 A CN 109740724A CN 201910009266 A CN201910009266 A CN 201910009266A CN 109740724 A CN109740724 A CN 109740724A
- Authority
- CN
- China
- Prior art keywords
- individual
- population
- fitness
- factor
- generation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011161 development Methods 0.000 claims abstract description 9
- 230000010429 evolutionary process Effects 0.000 claims abstract description 7
- 238000013461 design Methods 0.000 claims abstract description 6
- 230000035772 mutation Effects 0.000 claims abstract description 6
- 238000011156 evaluation Methods 0.000 claims description 10
- 238000000034 method Methods 0.000 claims description 7
- 231100000219 mutagenic Toxicity 0.000 claims description 5
- 230000003505 mutagenic effect Effects 0.000 claims description 5
- 238000011217 control strategy Methods 0.000 claims description 4
- 230000001172 regenerating effect Effects 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 238000010606 normalization Methods 0.000 claims 1
- 230000002028 premature Effects 0.000 abstract description 3
- 238000005457 optimization Methods 0.000 description 5
- SBPPWJIDARICBS-PGCXOGMSSA-N (5r,5ar,8ar,9r)-5-[[(4ar,6r,7r,8r,8as)-7,8-dihydroxy-2-phenyl-4,4a,6,7,8,8a-hexahydropyrano[3,2-d][1,3]dioxin-6-yl]oxy]-9-(3,4,5-trimethoxyphenyl)-5a,6,8a,9-tetrahydro-5h-[2]benzofuro[6,5-f][1,3]benzodioxol-8-one Chemical compound COC1=C(OC)C(OC)=CC([C@@H]2C3=CC=4OCOC=4C=C3[C@H](O[C@H]3[C@@H]([C@@H](O)[C@@H]4OC(OC[C@H]4O3)C=3C=CC=CC=3)O)[C@@H]3[C@@H]2C(OC3)=O)=C1 SBPPWJIDARICBS-PGCXOGMSSA-N 0.000 description 2
- 101000864782 Homo sapiens Surfactant-associated protein 2 Proteins 0.000 description 2
- 102100030059 Surfactant-associated protein 2 Human genes 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Feedback Control In General (AREA)
Abstract
一种基于参考方向的代理差分演化算法，首先，演化过程分为两个阶段，每个阶段采用不同的演化策略；第一阶段的主要任务是全局探索和宏观局部开发；第二阶段的主要任务是微观局部开发；其次，采用全局代理模型，对整个搜索空间进行建模，将种群引导到全局最优解可能存在的区域，每个子种群与参考方向相关联，子种群在参考方向的引导下进行快速局部收敛；最后，设计产生突变因子和交叉因子的机制，以促进算法的有效探索与开发；本发明解决了经典差分演化算法在解决复杂优化问题中所出现的求解精度不高和早熟收敛的问题；提高了经典差分算法的效率和鲁棒性。
Description
技术领域
本发明属于智能优化技术领域，具体涉及一种基于参考方向的代理差分演化算法。
背景技术
随着社会的发展，工程中的优化问题已经变的越来越复杂，用智能优化算法解决工程中出现的复杂优化问题是智能控制领域中的研究热点。目前生物启发计算已经广泛地应用于人工智能中，许多研究者通过研究生物演化过程，模拟自然进化机制设计以相应的优化算法。差分进化算法是求解连续优化问题的最经典的演化算法之一。
差分进化算法的性能依赖于三个因素，突变因子、交叉因子和突变策略。大量的实验结果表明，选择合适的控制参数对差分进化算法的性能起着重要的作用。此外，不同的进化策略表现的性能不同。有的进化策略具有较强的开发能力，有的进化策略具有较强的探索能力。经典差分演化算法在解决复杂优化问题中存在求解精度不高和早熟收敛的问题。
发明内容
为克服上述现有技术的不足，本发明的目的是提出基于参考方向的代理差分演化算法，解决经典差分演化算法在解决复杂优化问题中所出现的求解精度不高和早熟收敛的问题，提高了经典差分算法的效率和鲁棒性。
为实现上述目的，本发明采用的技术方案是：基于参考方向的代理差分演化算法，包括以下步骤：
首先，演化过程分为两个阶段，每个阶段采用不同的演化策略；第一阶段的主要任务是全局探索和宏观局部开发；第二阶段的主要任务是微观局部开发；
其次，采用全局代理模型，对整个搜索空间进行建模，将种群引导到全局最优解可能存在的区域，每个子种群与参考方向相关联，子种群在参考方向的引导下进行快速局部收敛；
最后，设计产生突变因子和交叉因子的机制，以促进算法的有效探索与开发。
本发明的特点还在于：
算法的具体工作步骤为：
步骤1.1，初始化种群及相关参数；
步骤1.2，用真实函数和代理模型评价所有个体的适应度值；
步骤1.3，初始化交叉因子CR；
步骤1.4，设置状态；
演化的具体工作步骤为：
步骤2.1，计算在种群中要选取的好的个体的比率prate；按照如下公式产生变异因子Fi，G(i＝1...N)；
Exi，G＝mean(NORM(Δfi，G)
Fi，G＝Norm(Exi，G，(rand×Hei，G+Eni，G))
Δfi，G＝|f(pi，G)-f(pbest，G)|
Norm(·)是均值为Exi，G，方差为rand×Hei，G+Eni，G的正态分布函数，N 是种群规模，G是迭代次数；rand是产生随机数的一个随机函数；Fi，G是第 i个个体在第G代的变异因子；Exi，G是第i个个体在第G代的期望值；Ex＝ (Ex1，G，Ex2，G，...，Exi，G)；NORM(·)是线性归一化函数；mean(·)是计算平均值的函数；D是求解问题的维数；Eni，G第i个个体在第G代的熵；Hei，G第i个个体在第G代的超熵；MaxFES是最大函数评价次数；f(pi，G)是第i个个体在第G代的适应度；f(pbest，G)是优等种群Pbest中第i个个体在第G代的适应度；
步骤2.2，如果当前状态State为1，则按照如下公式进行全局探索和局部宏观开发；
式中：Vi，G是经过全局探索和局部宏观开发产生的变异个体；Pi，G是种群在第G代时第i个个体；Pbest，G是优等种群Pbest在第G代时的第i个体；SPr1，G是代理模型SP在第G代时的第r1个个体；是劣等种群在第G代时的第r2个个体，Fi，G是第i个个体在第G代时的变异因子；
步骤2.3，如果当前状态State不为1，则按照如下公式进行局部微观开发；
式中：Vi，G是经过局部微观开发产生的变异个体；Lbesti，G是在第G代时第i个子种群L中最好的个体；SPi，G是代理模型SP在第G代时第i个个体；是劣等种群在第G代时第r2个个体；Fi，G是第i个个体在第G代时的变异因子；
步骤2.4，对于每一个个体，如果子代比父代的适应度高，则保存子代，并把父代归档；否则保留父代；
步骤2.5，更新档案和当前种群；
步骤2.6，更新代理模型；
步骤2.7，如果更新的个体规模小于给定的阈值σ，则用代理模型按照如下公式更新最差的个体；
式中：SPbest是代理模型SP中适应度最高的个体；Pworst是种群中适应度最低的个体；Nu是更新的个体规模；σ是指定的阈值，计算如下：
式中：N是种群规模；FES是当前函数评价次数；MaxFES是最大函数评价次数。
步骤2.8，如果档案中的个体超出指定规模，则随机删除多余的个体；
步骤2.9，如果演化成功个体的交叉因子数目超过了种群规模，则随机删除多余的交叉因子；
步骤2.10，如果在第G代没有个体演化成功，则按照如下公式重新产生交叉因子，并将状态Stage设置为2；
Eni，G＝1-Exi，G
CRi，G＝Norm(Exi，G，(rand×Hei，G+Eni，G))
式中：EXi，G是在第G代时第i个个体的期望值；f(Vi，G)是在第G代时第 i个变异个体的适应度值；mean(·)是计算平均值的函数；Eni，G是在第G代时第i个个体的熵；Hei，G在第G代时第i个个体的超熵；MaxFES是最大函数评价次数；Norm(·)是均值为Exi，G，方差为rand×Hei，G+Eni，G的正态分布函数，G是迭代次数；rand是产生随机数的一个随机函数；CRi，G是在第G 代时第i个个体的交叉因子；
步骤2.11，如果在第G代只有部分个体演化成功，则按照如下公式重新产生交叉因子；
EXi，G＝meanL(sCR)
CRi，G＝Norm(Exi，G，(rand×Hei，G+Eni，G))
式中：Exi，G是第i个个体在第G代的期望值；sCR是演化成功的个体的交叉因子；meanL(·)是计算莱默平均值函数；CRi是第i个个体的交叉因子； Norm(·)是均值为Exi，G，方差为rand×Hei，G+Eni，G的正态分布函数，G是迭代次数；rand是产生随机数的一个随机函数；Eni，G是第i个个体在第G 代时的熵；Hei，G第i个个体在第G代时的超熵；CRi，G是第i个个体在第G代时的交叉因子。
步骤3，如果满足演化终止条件，终止条件是当前函数评价次数FES超过最大函数评价次数MaxFES，MaxFES＝D×10000，D是求解问题的维数，则停止演化并输出全局最优解；否则转到步骤2.1继续进行演化。
步骤1.3所述的初始化交叉因子CR包括以下步骤：
首先计算在种群中要选取的适应度高的个体的比率prate；接着，选择种群(Pop)中100×prate％个适应度高的个体作为pbest；最后产生交叉因子CR。
所述步骤2.2中具体操作为：从代理模型选择种群SP，从档案中选取种群采用动态控制策略选择Pbest个个体，根据策略产生新一代子种群。
所述步骤2.3所述的局部微观开发包括以下步骤：首先，将整个种群划分为neigh-num个邻域，然后选取每个种群中最好的个体；最后根据策略产生新一代子种群。
所述步骤2.4包括以下步骤：
步骤2.4.1，对于每一个个体，进行交叉操作；
步骤2.4.2，评价每个个体的适应度；
步骤2.4.3，如果当前种群规模ps小于初始种群规模的1/3，随机选取 ps个个体，用代理模型和真实函数计算这些个体的适应度；
步骤2.4.4，比较两种方法计算出来的适应度，保留适应度高的个体；
步骤2.4.5，对于当前种群中剩下的个体，采用真实函数计算每个个体的适应度；
步骤2.4.6，记录这些个体中适应度最高的个体。
所述步骤2.5的更新档案和当前种群包括以下步骤：
步骤2.5.1，比较父代个体和子代个体的适应度，将演化成功的个体的交叉因子保存在sCR中；
步骤2.5.2，将演化失败的个体放入到档案中，删除档案中重复的个体；
步骤2.5.3，如果档案的规模超过指定的规模，则随机删除多余的个体；步骤2.5.4，保存父代和子代中适应度高的个体，以作为下一代种群的父代。
本发明的有益效果是：
与现有技术相比，本发明一种基于参考方向的代理差分演化算法，采用两种突变策略以实现全局探索、宏观局部开发和微观局部开发；基于演化过程的反馈，设计了一种有效的参数自适应方法；引入随机机制和正态分布机制更新控制参数；每一代以每个子种群的最优个体作为演化的参考方向，使得种群朝着最优的区域进行演化；通过这些机制，使得算法能够最终找到最优解。
附图说明
图1是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD在给定函数评价次数下求解CEC2014中的函数f1的平均函数误差值相比较的实验结果图。
图2是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD在给定函数评价次数下求解CEC2014中的函数f4的平均函数误差值相比较的实验结果图。
图3是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD在给定函数评价次数下求解CEC2014中的函数f5的平均函数误差值相比较的实验结果图。
图4是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD在给定函数评价次数下求解CEC2014中的函数f8的平均函数误差值相比较的实验结果图。
图5是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD在给定函数评价次数下求解CEC2014中的函数f9的平均函数误差值相比较的实验结果图。
图6为本发明的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
参见图6，本发明是一种基于参考方向的代理差分演化算法。采用两种突变策略以实现全局探索、宏观局部开发和微观局部开发；设计参数自适应方法、引入随机机制和正态分布机制更新控制参数；每一代以每个子种群的最优个体作为演化的参考方向，引导种群朝着最优的区域进行演化，使得算法最终找到最优解。
算法SADERD进行优化的具体步骤为：
步骤1.1，初始化参数，设置种群(Pop)规模NP＝200；档案规模Arc ＝300；最大函数评价次数MaxFES＝300000；初始化种群；
步骤1.2，用真实函数评价所有个体的适应度值fitness；记录当前函数评价次数FES；SP＝Pop，用代理模型评价所有个体的适应度值sa_fitness；
步骤1.3，初始化交叉因子CR；
首先根据公式计算在种群中要选取的好的个体的比率prate；
MaxFES表示最大的函数评价次数；FES表示当前的函数评价次数；
接着，选择种群(Pop)中100×prate％个适应度高的个体作为pbest；按照如下公式产生交叉因子CR；
a＝Pbest-Pop
CR＝mean(NORM(a))
其中，NORM(a)是对a进行归一化，mean(·)是计算均值函数。
步骤1.4、设置状态Stage＝1；
每一代演化的具体工作步骤为：
步骤2.1，根据公式计算在种群中要选取的好的个体的比率prate；
选择种群(Pop)中100×Prate％个适应度高的个体作为pbest；按照如下公式产生变异因子Fi，G(i＝1...N)；
EX＝mean(NORM(a))
Fi，G＝Norm(Exi，G，(rand×Hei，G+Eni，G))
步骤2.2，如果当前状态State为1，则按照如下公式进行全局探索和局部宏观开发；
其中，r1和r2是不超过种群大小的随机数，且r1、r2和i互不相同； SP是代理模型所对应的种群；是从档案中选取的种群。档案中存放是每次演化不成功的个体，在演化过程中，算法采用动态控制策略选择Pbest个个体，Pbest的选择由参数t控制，参数t的设计如下：
其中，D表示维数；
步骤2.3，如果当前状态State不为1，则按照如下公式进行局部微观开发；
首先，将整个种群划分为若neigh_nun个邻域，neigh_num按照如下公式计算；
在第G代每个种群中最好的个体记作Max(·)表示计算最大值函数；
步骤2.4，对于每一个个体，进行交叉，并计算适应度值；如果子代比父代的适应度高，则保存子代，并把父代归档；否则保留父代；
交叉的计算公式如下：
在第G代对于第i个体的第j维如果randj(0，1)≤CRi或者j＝ jrand，则选择子代 是步骤2.3所产生的子代；否则，选择父代
如果当前种群规模ps小于初始种群规模的1/3，随机选取ps个个体，用代理模型和真实函数分别计算这些个体的适应度，比较两种方法计算出来的适应度值，保留适应度值高的个体；对于当前种群中剩下的个体，首先采用真实函数计算每个个体的适应度，其次记录适应度最高的个体；
步骤2.5，更新档案和当前种群，比较父代个体和子代个体的适应度，将演化成功的个体的交叉因子保存在sCR中；将演化失败的个体放入到档案中，删除档案中重复的个体；如果档案的规模超过指定的规模，则随机删除多余的个体，保存父代和子代中适应度高的个体，以作为下一代种群的父代。
步骤2.6，更新代理模型。如果当前种群的规模大于初始种群规模的1/3，则根据种群适应度设计新的径向基神经网络以作为代理模型；
步骤2.7，如果更新的个体数规模小于给定的阈值σ，则种群按照如下公式更新最差的个体；
其中，SPbest是代理模型中适应度高的个体；
步骤2.8，如果档案的规模超出指定规模，则随机删除多余的个体；
步骤2.9，如果演化成功个体的交叉因子数目超过了种群规模，则随机删除多余的交叉因子；
步骤2.10，如果在第G代没有个体演化成功，则按照如下公式重新产生交叉因子，并将状态Stage设置为2；
Eni，G＝1-Exi，G
CRi，G＝Norm(Exi，G，(rand×Hei，G+Eni，G))
步骤2.11、如果在第G代只有部分个体演化成功，则按照如下公式重新产生交叉因子；
Exi，G＝meanL(sCR)
CRi，G＝Norm(Exi，G，(rand×Hei，G+Eni，G))
步骤3，如果满足演化终止条件，终止条件是当前函数评价次数FES超过最大函数评价次数MaxFES，MaxFES＝D×10000，D是求解问题的维数，则停止演化并输出全局最优解。
步骤1.3所述的初始化交叉因子CR包括以下步骤：
首先计算在种群中要选取的适应度高的个体的比率prate；接着，选择种群(Pop)中100×Prate％个适应度高的个体作为pbest；最后产生交叉因子CR。
所述步骤2.2中具体操作为：从代理模型选择种群SP，从档案中选取种群采用动态控制策略选择Pbest个个体，根据策略产生新一代子种群。
所述步骤2.3所述的局部微观开发包括以下步骤：首先，将整个种群划分为neigh_num个邻域，然后选取每个种群中最好的个体；最后根据策略产生新一代子种群。
所述步骤2.4包括以下步骤：
步骤2.4.1，对于每一个个体，进行交叉操作；
步骤2.4.2，评价每个个体的适应度；
步骤2.4.3，如果当前种群规模ps小于初始种群规模的1/3，随机选取 ps个个体，用代理模型和真实函数计算这些个体的适应度；
步骤2.4.4，比较两种方法计算出来的适应度，保留适应度高的个体；
步骤2.4.5，对于当前种群中剩下的个体，采用真实函数计算每个个体的适应度；
步骤2.4.6，记录这些个体中适应度最高的个体。
所述步骤2.5的更新档案和当前种群包括以下步骤：
步骤2.5.1，比较父代个体和子代个体的适应度，将演化成功的个体的交叉因子保存在sCR中；
步骤2.5.2，将演化失败的个体放入到档案中，删除档案中重复的个体；
步骤2.5.3，如果档案的规模超过指定的规模，则随机删除多余的个体；步骤2.5.4，保存父代和子代中适应度高的个体，以作为下一代种群的父代。
表1是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD求解 CEC2014中的函数f1-f3(30维)的实验结果；
表1
表2是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD求解 CEC2014中的函数f4-f16(30维)的实验结果；
表2
表3是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD求解 CEC2014中的函数f17-f22(30维)的实验结果；
表3
表4是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD求解 CEC2014中的函数f23-f30(30维)的实验结果；
表4
表5是算法SADERD与算法PSO，TLBO，DE，CoDE，Jaya，BBO和GSA在求解CEC2014中的函数f1-f30(30维)相比较的实验结果；
表5
表1-表4是算法PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD 求解CEC2014中的函数f1-f30(30维)的实验结果；表5实验结果表明，SADERD 性能优于算法PSO，TLBO，Jaya，DE，CoDE，BBO和GSA的函数分别有30，25， 14，26，30，26和16个；实验结果表明代理模型有助于种群在每一代进化过程中产生具有竞争力的个体；将每个子种群的最优个体作为演化的参考方向，能有效地提高算法的性能；利用最优个体与一般个体之间的差异动态调节交叉因子CR和变异因子F，有助于平衡演化过程中的探索与开发；最后，在不同阶段采用不同的演化策略可以有效地提高算法的性能。图1～图6是 PSO，TLBO，DE，CoDE，Jaya，BBO，GSA和SADERD在给定函数评价次数下求解CEC2014中的函数f1，f4，f5，f8和f9的平均函数误差值相比较的实验结果图。
Claims (8)
1.一种基于参考方向的代理差分演化算法，其特征在于，包括以下步骤：
首先，演化过程分为两个阶段，每个阶段采用不同的演化策略；第一阶段的主要任务是全局探索和宏观局部开发；第二阶段的主要任务是微观局部开发；
其次，采用全局代理模型，对整个搜索空间进行建模，将种群引导到全局最优解可能存在的区域，每个子种群与参考方向相关联，子种群在参考方向的引导下进行快速局部收敛；
最后，设计产生突变因子和交叉因子的机制，以促进算法的有效探索与开发。
2.一种基于参考方向的代理差分演化算法，其特征在于，包括以下步骤：
步骤1.1，初始化种群及相关参数；
步骤1.2，用真实函数和代理模型评价所有个体的适应度；
步骤1.3，初始化交叉因子CR；
步骤1.4，设置状态；
步骤2.1，计算在种群中要选取的适应度高的个体的比率prate；产生变异因子Fi.G，i＝1...N；
步骤2.2，如果当前状态State为1，则进行全局探索和局部宏观开发；
步骤2.3，如果当前状态State不为1，则进行局部微观开发；
步骤2.4，对于每一个个体，如果子代比父代的适应度高，则保存子代，并把父代归档；否则保留父代；
步骤2.5，更新档案和当前种群；
步骤2.6，更新代理模型；
步骤2.7，如果更新的个体规模小于给定的阈值σ，则用代理模型更新最差的个体；
步骤2.8，如果档案中个体的规模超出指定规模，则随机删除多余的个体；
步骤2.9，如果演化成功个体的交叉因子数目超过了种群规模，则随机删除多余的交叉因子；
步骤2.10，如果在第G代没有个体演化成功，则重新产生交叉因子，并将状态Stage设置为2；
步骤2.11，如果在第G代只有部分个体演化成功，则重新产生交叉因子；
步骤3，如果满足演化终止条件，演化终止条件是当前函数评价次数FES超过最大函数评价次数MaxFES，MaxFES＝D×10000，D是求解问题的维数，则停止演化并输出全局最优解；否则转到步骤2.1继续进行演化。
3.根据权利要求2所述的一种基于参考方向的代理差分演化算法，其特征在于，步骤1.3所述的初始化交叉因子CR包括以下步骤：
首先计算在种群中要选取的适应度高的个体的比率prate；接着，选择种群(POp)中100×prate％个适应度高的个体作为pbest；最后产生交叉因子CR。
4.根据权利要求2所述的一种基于参考方向的代理差分演化算法，其特征在于，步骤2.1所述的变异因子Fi，G按照以下公式产生：
Exi，G＝mean(NORM(Δfi，G)
Fi，G＝Norm(Exi，G，(rand×Hei，G+Eni，G))
Δfi，G＝|f(pi，G)-f(pbest，G)|
Norm(·)是均值为Exi，G，方差为rand×Hei，G+Eni，G的正态分布函数，N是种群规模，G是迭代次数；rand是产生随机数的一个随机函数；Fi，G是第i个个体在第G代的变异因子；EXi，G是第i个个体在第G代的期望值；EX＝(Ex1，G，Ex2，G，...，Exi，G)；NORM(·)是线性归一化函数；mean(·)是计算平均值的函数；D是求解问题的维数；Eni，G第i个个体在第G代的熵；Hei，G第i个个体在第G代的超熵；MaxFES是最大函数评价次数；f(pi，G)是第i个个体在第G代的适应度；f(pbest，G)是优等种群Pbest中第i个个体在第G代的适应度。
5.根据权利要求1所述的一种基于参考方向的代理差分演化算法，其特征在于，所述步骤2.2中具体操作为：从代理模型选择种群SP，从档案中选取种群采用动态控制策略选择Pbest个个体，根据策略产生新一代子种群。
6.根据权利要求2所述的一种基于参考方向的代理差分演化算法，其特征在于，所述步骤2.3所述的局部微观开发包括以下步骤：首先，将整个种群划分为neigh-num个邻域，然后选取每个种群中最好的个体；最后根据策略产生新一代子种群。
7.根据权利要求2所述的一种基于参考方向的代理差分演化算法，其特征在于，所述步骤2.4包括以下步骤：
步骤2.4.1，对于每一个个体，进行交叉操作；
步骤2.4.2，评价每个个体的适应度；
步骤2.4.3，如果当前种群规模ps小于初始种群规模的1/3，随机选取ps个个体，用代理模型和真实函数计算这些个体的适应度；
步骤2.4.4，比较两种方法计算出来的适应度，保留适应度高的个体；
步骤2.4.5，对于当前种群中剩下的个体，采用真实函数计算每个个体的适应度；
步骤2.4.6，记录这些个体中适应度最高的个体。
8.根据权利要求2所述的一种基于参考方向的代理差分演化算法，其特征在于，所述步骤2.5的更新档案和当前种群包括以下步骤：
步骤2.5.1，比较父代个体和子代个体的适应度，将演化成功的个体的交叉因子保存在sCR中；
步骤2.5.2，将演化失败的个体放入到档案中，删除档案中重复的个体；
步骤2.5.3，如果档案的规模超过指定的规模，则随机删除多余的个体；步骤2.5.4，保存父代和子代中适应度高的个体，以作为下一代种群的父代。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910009266.5A CN109740724A (zh) | 2019-01-04 | 2019-01-04 | 基于参考方向的代理差分演化算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910009266.5A CN109740724A (zh) | 2019-01-04 | 2019-01-04 | 基于参考方向的代理差分演化算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109740724A true CN109740724A (zh) | 2019-05-10 |
Family
ID=66363557
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910009266.5A Pending CN109740724A (zh) | 2019-01-04 | 2019-01-04 | 基于参考方向的代理差分演化算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109740724A (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110134007A (zh) * | 2019-05-22 | 2019-08-16 | 南昌航空大学 | 多无人机协同目标分配方法 |
| CN113723790A (zh) * | 2021-08-23 | 2021-11-30 | 中国地质大学（武汉） | 基于代理模型的供水***调度策略优化方法和存储介质 |
| CN116258090A (zh) * | 2023-05-16 | 2023-06-13 | 中国地质大学（武汉） | 基于双阶段信息迁移的差分演化深空轨道设计方法及*** |
| CN117422003A (zh) * | 2023-12-19 | 2024-01-19 | 深圳市德兰明海新能源股份有限公司 | 散热片优化设计方法、装置及存储介质 |
-
2019
- 2019-01-04 CN CN201910009266.5A patent/CN109740724A/zh active Pending
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110134007A (zh) * | 2019-05-22 | 2019-08-16 | 南昌航空大学 | 多无人机协同目标分配方法 |
| CN113723790A (zh) * | 2021-08-23 | 2021-11-30 | 中国地质大学（武汉） | 基于代理模型的供水***调度策略优化方法和存储介质 |
| CN113723790B (zh) * | 2021-08-23 | 2024-06-07 | 中国地质大学（武汉） | 基于代理模型的供水***调度策略优化方法和存储介质 |
| CN116258090A (zh) * | 2023-05-16 | 2023-06-13 | 中国地质大学（武汉） | 基于双阶段信息迁移的差分演化深空轨道设计方法及*** |
| CN116258090B (zh) * | 2023-05-16 | 2023-08-18 | 中国地质大学（武汉） | 基于双阶段信息迁移的差分演化深空轨道设计方法及*** |
| CN117422003A (zh) * | 2023-12-19 | 2024-01-19 | 深圳市德兰明海新能源股份有限公司 | 散热片优化设计方法、装置及存储介质 |
| CN117422003B (zh) * | 2023-12-19 | 2024-05-17 | 深圳市德兰明海新能源股份有限公司 | 散热片优化设计方法、装置及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109740724A (zh) | 基于参考方向的代理差分演化算法 | |
| Hu et al. | The hierarchical fair competition (hfc) framework for sustainable evolutionary algorithms | |
| Sun et al. | A global search strategy of quantum-behaved particle swarm optimization | |
| Chapman et al. | Genetic algorithm-based structural topology design with compliance and topology simplification considerations | |
| Jadav et al. | Optimizing weights of artificial neural networks using genetic algorithms | |
| CN108465244B (zh) | 用于竞速类ai模型的ai参数配置方法、装置、设备及存储介质 | |
| Michalewicz et al. | Evolution strategies and other methods | |
| Song et al. | Advanced engineered-conditioning genetic approach to power economic dispatch | |
| Schwefel | On the evolution of evolutionary computation | |
| De Castro et al. | An immunological approach to initialize centers of radial basis function neural networks | |
| Rao et al. | A multi-constraint neural network for the pragmatic design of cellular manufacturing systems | |
| Herrera et al. | The use of fuzzy connectives to design real-coded genetic algorithms | |
| CN111046559A (zh) | 一种基于双层精英协同进化的多目标优化方法 | |
| Liang et al. | Recent advances in particle swarm optimization via population structuring and individual behavior control | |
| Park et al. | Economic load dispatch using evolutionary algorithms | |
| De Campos et al. | Automatic design of neural networks with l-systems and genetic algorithms-a biologically inspired methodology | |
| CN112183843B (zh) | 一种基于混合智能算法的火电厂负荷优化分配方法 | |
| de Campos et al. | Evolving artificial neural networks through l-system and evolutionary computation | |
| Koduru et al. | A Particle Swarm Optimization-Nelder Mead Hybrid Algorithm for Balanced Exploration and Exploitation in Multidimensional Search Space. | |
| Nguyen et al. | Multi-swarm optimization for extracting multiple-choice tests from question banks | |
| El Metwally et al. | Optimal power flow using evolutionary programming techniques | |
| Doorly et al. | Design optimisation using distributed evolutionary methods | |
| Bebis et al. | Improving generalization by using genetic algorithms to determine the neural network size | |
| Chandran et al. | A computational study of three demon algorithm variants for solving the traveling salesman problem | |
| Li | Global optimization techniques based on swarm-intelligent and gradient-free algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190510 |