[發明專利]一種交叉概率因子可調的差分進化算法

在審

• 申請號: 201711113683.1
• 申請日: 2017-11-13
• 公開（公告）號: CN107909139A
• 公開（公告）日: 2018-04-13
• 發明（設計）人: 蔣忠進;崔鐵軍;陳陽陽
• 申請（專利權）人: 東南大學
• 主分類號: G06N3/00
• 分類號: G06N3/00;G06N3/04
• 代理公司: 南京蘇高專利商標事務所(普通合伙)32204
• 代理人: 王安琪

技術領域

本發明涉及數值優化技術領域，尤其是一種交叉概率因子可調的差分進化算法。

背景技術

差分進化(Differential Evolution，DE)算法是在1997年由Rainer Storn和Kenneth Price共同提出的一種采用浮點矢量編碼在連續空間中進行隨機搜索的優化算法。自DE算法問世以來，因其簡單高效性引起了國內外眾多專家學者的高度重視，相應的對其在不同領域的研究成果也應運而生。如今，DE已成為一種求解非線性、不可微、多極值最優化問題的一種有效的方法，是進化算法的一個重要分支，并在數字信號處理、神經網絡優化、模式識別和機器人路徑規劃等工程領域取得了良好的應用效果。

雖然DE算法在諸多不同領域取得了廣泛的應用，但是該算法也存在著一些不足，包括容易陷入局部最優。傳統DE算法對變異因子F和交叉概率因子CR的設置具有依賴性，對不同的問題需要有針對性地設置不同的F和CR值。為此諸多專家提出了多種變異策略，但是不同策略面對不同問題時性能也有差異，其適合求解的問題也是不同的。

近幾年來國內學者對差分進化算法做了很多研究，有人提出根據個體適應度變化情況，對每一個體分配不同的縮放因子F和交叉概率CR的適應性策略。當個體適應度較優時，分配較小的F，使算法在較優個體的附近維度搜索；當個體的適應度值較差時，采用較大的F來擴大解的搜索范圍。也有人用模糊邏輯控制理論來動態調整差分進化算法的主要參數，包括變異因子F和交叉概率CR，以利于對解空間進行廣泛探索，避免算法陷入早熟收斂。

發明內容

本發明所要解決的技術問題在于，提供一種交叉概率因子可調的差分進化算法，能夠更快的搜索到我們期望的最優值，有效減少了計算時間和內存消耗。

為解決上述技術問題，本發明提供一種交叉概率因子可調的差分進化算法，包括如下步驟：

(1)種群初始化；

(2)變異操作；

(3)交叉操作；

(4)選擇算子；將當前種群中的實驗矢量U_i,g和優化矢量X_i,g帶入目標函數，比較目標函數返回的適應度值f_i,g，二者中具有更優適應度值的個體將被選擇進入下一代，即X_i,g+1，i＝1,2,…,N_p；

(5)終止迭代；如果種群X_i,g+1，i＝1,2,…,N_p中最佳個體的適應度值已經達到優化目標的要求，則循環過程終止；否則進入步驟(2)，進行下一個進化循環。如果循環迭代次數達到預先設定的最大迭代次數G時，適應度值依然沒有達到閾值及以下，則算法也會終止。

優選的，步驟(1)中，種群初始化具體為：優化矢量個體表示為X_i,g，且有：

X_i,g＝[x_1,i,g x_2,i,g … x_J,i,g]，i＝1,2,…,N_p

其中，g表示進化的代數，且g＝1,2,…,G，G表示進化迭代的設定總次數，不過對于初始種群，有g＝1；i表示優化矢量個體的排序，N_p為種群數目；J表示優化矢量的長度，即個體中的基因數目；

初始種群的規模N_p確定后，用隨機方法初始化各個優化矢量個體X_i,1，i＝1,2,...,N_p，這些矢量個體的集合即構成了初始種群{X_1,1 X_2,1 … X_Np,1}^T，初始種群產生后，進入進化循環操作。

優選的，步驟(2)中，變異操作具體為：對于第g代的優化矢量個體X_i,g，進行差分進化算法的變異操作，從而獲取對應的變異矢量V_i,g，且有：

V_i,g＝[v_1,i,g v_2,i,g … v_J,i,g]，I＝1,2,…,N_p。

優選的，步驟(3)中，交叉操作具體為：通過交換優化矢量X_i,g和變異矢量V_i,g在各個維度上的基因，形成實驗矢量U_i,g：