基于交叉变异策略的双种群差分进化算法

doi:10.3778/j.issn.1002-8331.2010.18.004

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (18): 9-12.DOI: 10.3778/j.issn.1002-8331.2010.18.004

基于交叉变异策略的双种群差分进化算法

谭跃^1，2，谭冠政¹，伍雪冬³

1.中南大学信息科学与工程学院，长沙 410083
2.湖南城市学院物理与电信工程系，湖南益阳 413000
3.江苏科技大学电子与信息学院，江苏镇江 212003

收稿日期:2010-03-23 修回日期:2010-05-06 出版日期:2010-06-21 发布日期:2010-06-21
通讯作者: 谭跃

Dual population differential evolution algorithm based on crossover and mutation strategy

TAN Yue^1，2，TAN Guan-zheng¹，WU Xue-dong³

1.School of Information Science and Engineering，Central South University，Changsha 410083，China
2.Department of Physics and Telecom Engineering，Hunan City University，Yiyang，Hunan 413000，China
3.School of Electronics and Information，Jiangsu University of Science and Technology，Zhenjiang，Jiangsu 212003，China

Received:2010-03-23 Revised:2010-05-06 Online:2010-06-21 Published:2010-06-21
Contact: TAN Yue

摘要/Abstract

摘要： 为加强差分进化算法的全局搜索能力，提出了一种基于交叉变异策略的双种群差分进化算法（CMDPDE）。CMDPDE中，两个种群分别采用大小不同的缩放因子和交叉因子，在每代进化完毕后，对其中缩放因子和交叉因子较小的种群执行交叉或变异策略来寻找更优的个体，同时两个种群之间每10代进行一次信息交流。这种方式与单种群差分进化算法相比，可以通过双种群和交叉变异策略来增加解的多样性，使算法能在更大的范围内寻优。6个Benchmark函数的实验结果证明CMDPDE具有较好的寻优能力。

关键词: 交叉, 变异, 双种群, 差分进化

Abstract: Dual Population Differential Evolution algorithm based on Crossover and Mutation strategy（CMDPDE） is proposed to enhance global search ability of single population differential evolution.In CMDPDE，one population uses big scale factor and crossover factor，the other with small scale factor and crossover factor will execute crossover or mutation operations to search better individual after an evolution for each individual evolves one time per generation.At the same time evolution information will be exchanged between two populations after all individuals of two populations evolve ten times.Compared with single population differential evolution，CMDPDE increases diversity of solutions through dual population and crossover and mutation strategy，which makes CMDPDE search better solutions in a larger range.Experiment results on six benchmark functions show that CMDPDE has the better ability of finding optimal solution.

Key words: crossover, mutation, dual population, Differential Evolution（DE）

中图分类号:

TP18

谭跃^1，2，谭冠政¹，伍雪冬³. 基于交叉变异策略的双种群差分进化算法[J]. 计算机工程与应用, 2010, 46(18): 9-12.

TAN Yue^1，2，TAN Guan-zheng¹，WU Xue-dong³. Dual population differential evolution algorithm based on crossover and mutation strategy[J]. Computer Engineering and Applications, 2010, 46(18): 9-12.

[1]	邹杰，李俊. 多策略协方差矩阵学习差分进化算法[J]. 计算机工程与应用, 2021, 57(7): 78-87.
[2]	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.
[3]	陈彬，张荣梅，张琦. DCFM：基于深度学习的混合推荐模型[J]. 计算机工程与应用, 2021, 57(3): 150-155.
[4]	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.
[5]	李守玉，何庆，杜逆索. 分段权重和变异反向学习的蝴蝶优化算法[J]. 计算机工程与应用, 2021, 57(22): 92-101.
[6]	温泽宇，谢珺，谢刚，续欣莹. 基于新型拥挤度距离的多目标麻雀搜索算法[J]. 计算机工程与应用, 2021, 57(22): 102-109.
[7]	杜守信，毋涛. 双种群混合遗传算法的裁剪分床应用研究[J]. 计算机工程与应用, 2021, 57(22): 182-189.
[8]	任春慧，刘升，张伟康，张微微. 柯西变异的骆驼算法优化与应用[J]. 计算机工程与应用, 2021, 57(21): 87-94.
[9]	钱峥远，曾国荪. 精英化岛屿种群引导的差分进化算法[J]. 计算机工程与应用, 2021, 57(20): 73-81.
[10]	王洁，金正猛，冯灿. 自适应广义全变差的图像泊松去噪算法[J]. 计算机工程与应用, 2021, 57(20): 203-209.
[11]	陈雷，尹钧圣. 高斯差分变异和对数惯性权重优化的鲸群算法[J]. 计算机工程与应用, 2021, 57(2): 77-90.
[12]	周原令，胡晓兵，江代渝，李航. 基于改进NSGA-II的车间排产优化算法研究[J]. 计算机工程与应用, 2021, 57(19): 274-281.
[13]	万达，李俊. 锦标赛精英学习与协方差变异的烟花算法[J]. 计算机工程与应用, 2021, 57(19): 84-96.
[14]	王丽丽，申燚，徐玉松，袁明新. 融合云模型和反向学习的克隆选择算法[J]. 计算机工程与应用, 2021, 57(17): 68-74.
[15]	崔彩霞，毕超超，范勤勤. 基于隐马尔可夫链的自适应MODE及应用[J]. 计算机工程与应用, 2021, 57(14): 83-94.

基于交叉变异策略的双种群差分进化算法

Dual population differential evolution algorithm based on crossover and mutation strategy

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