差分进化计算研究综述

doi:10.3778/j.issn.1002-8331.2009.28.004

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (28): 13-16.DOI: 10.3778/j.issn.1002-8331.2009.28.004

差分进化计算研究综述

王培崇^1，2，钱旭¹，王月¹，虎晓红¹

1.中国矿业大学（北京）机电与信息工程学院，北京 100083
2.石家庄经济学院信息工程学院，石家庄 050031

收稿日期:2009-07-23 修回日期:2009-08-25 出版日期:2009-10-01 发布日期:2009-10-01
通讯作者: 王培崇

Overview of differential evolution algorithm

WANG Pei-chong^1，2，QIAN Xu¹，WANG Yue¹，HU Xiao-hong¹

1.School of Mechanical Electronic & Information Engineering，China University of Mining & Technology（Beijing），Beijing 100083，China
2.School of Information Engineering，Shijiazhuang University of Economics，Shijiazhuang 050031，China

Received:2009-07-23 Revised:2009-08-25 Online:2009-10-01 Published:2009-10-01
Contact: WANG Pei-chong

摘要/Abstract

摘要： 差分进化计算（DE）是继遗传算法、微粒子群算法、蚁群算法之后的又一个成功的智能算法。它有三个算子即变异算子、交叉算子、选择算子。差分进化利用种群中个体之间的差异信息实现向最优解区域的搜索。实验证明，该算法具有较好的鲁棒性和求解效率。针对该算法的基本思想以及当前的部分研究成果进行了分析介绍。最后对下一步的研究进行了相应的说明和展望。

关键词: 计算智能, 差分进化算法, 优化, 智能算法

Abstract: Differential Evolution（DE） which has been given more attention is a new intelligence algorithm by cooperation and evolution of swarm after GA，PSO，ACS etc.There are three operators in DE，mutation，crossover and selection.DE utilizes the differential information of individuals in the current population of solutions to guide its further search.Many results of experiments show that DE is effective and has robust character.This paper analyzes the principle of DE and introduces some researchful fruits.At last，suggestion of next research and prospect are given.

Key words: computational intelligence, differential evolution algorithm, optimization, intelligence algorithm

中图分类号:

TP18

王培崇^1，2，钱旭¹，王月¹，虎晓红¹. 差分进化计算研究综述[J]. 计算机工程与应用, 2009, 45(28): 13-16.

WANG Pei-chong^1，2，QIAN Xu¹，WANG Yue¹，HU Xiao-hong¹. Overview of differential evolution algorithm[J]. Computer Engineering and Applications, 2009, 45(28): 13-16.

[1]	孙泽宇，徐琛，苏艳超，李传锋，聂雅琳. 雾计算中跨层感知分簇路由协议[J]. 计算机工程与应用, 2021, 57(9): 109-117.
[2]	张朕通，单玉刚，袁杰. 联合多尺度和注意力机制的遥感影像检测[J]. 计算机工程与应用, 2021, 57(9): 212-216.
[3]	兰红，黄敏. 融合KNN优化的密度峰值和FCM聚类算法[J]. 计算机工程与应用, 2021, 57(9): 81-88.
[4]	高一锴，彭力，徐龙壮. 改进AFSA算法优化TWSVM的火焰识别方法[J]. 计算机工程与应用, 2021, 57(8): 204-213.
[5]	高铖铖，陈锡程，张瑞，宋秋月，易东，伍亚舟. 三种新型智能算法在疫情预警模型中的应用——基于百度搜索指数的COVID-19疫情预警[J]. 计算机工程与应用, 2021, 57(8): 256-263.
[6]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[7]	杜垚. 结合局部优化匹配的Android恶意家族检测算法[J]. 计算机工程与应用, 2021, 57(8): 84-90.
[8]	张水平，王丽娜. 果蝇优化算法的进展研究分析[J]. 计算机工程与应用, 2021, 57(6): 22-29.
[9]	许小媛，李海波，黄黎. 云存储多异构文件联合延迟尾概率凸优化分析[J]. 计算机工程与应用, 2021, 57(5): 88-94.
[10]	沈瑜，刘成，杨倩. 利用子空间稀疏特征的超分辨率图像重建算法[J]. 计算机工程与应用, 2021, 57(5): 173-182.
[11]	胡晓敏，王明丰，张首荣，李敏. 用于文本聚类的新型差分进化粒子群算法[J]. 计算机工程与应用, 2021, 57(4): 61-67.
[12]	杨玮，吴莹莹，王婷. 子母式穿梭车仓储系统配置优化问题研究[J]. 计算机工程与应用, 2021, 57(4): 258-265.
[13]	王芙银，张德生，张晓. 结合鲸鱼优化算法的自适应密度峰值聚类算法[J]. 计算机工程与应用, 2021, 57(3): 94-102.
[14]	张伟康，刘升，任春慧. 混合策略改进的麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(24): 74-82.
[15]	徐辰华，骆珠光，吴冠宏，刘斌. 基于正弦因子和量子局部搜索的灰狼优化算法[J]. 计算机工程与应用, 2021, 57(24): 83-89.

差分进化计算研究综述

Overview of 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