改进差异演化算法求解约束优化问题

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (19): 43-45.

改进差异演化算法求解约束优化问题

刘明广

华南师范大学公共管理学院，广州 510006

收稿日期:2007-09-25 修回日期:2007-12-07 出版日期:2008-07-01 发布日期:2008-07-01
通讯作者: 刘明广

Improved differential evolution algorithms for solving constrained optimization problems

LIU Ming-guang

School of Public Administration of South China Normal University，Guangzhou 510006，China

Received:2007-09-25 Revised:2007-12-07 Online:2008-07-01 Published:2008-07-01
Contact: LIU Ming-guang

摘要/Abstract

摘要： 在现实生活中许多实际问题都可以转化为约束优化问题，并且实际问题通常都很复杂，其函数形态各具特色，传统基于梯度信息的各种求解策略对于具有不可微、多峰及非凸的非线性函数约束优化问题很难凑效。而最近兴起的智能类算法却对这类问题的求解效果突出，在借鉴国外的差异演化算法研究成果基础上，运用改进差异演化算法来求解约束优化问题。最后通过实例进行仿真实验，结果表明改进差异演化算法在求解约束优化问题时具有一定的优越性。

关键词: 差异演化, 约束优化, 自适应, 测试

Abstract: Many practical problems can transformed to constrained optimization problems with various modality in real life and are all complex.It is difficult for a variety of traditionary methods based grads information to solve the constrained optimization problem with non-differential coefficient，multi-modal，nonconve and non-linear functions.But the current artificial algorithm shows excellence for above problems.After learning the outcome of differential evolution abroad，the paper uses improved differential evolution to solve constrained optimization problem.Lastly，the test examples are simulated to check up and the result shows superiority for differential evolution to solve constrained optimization problem.

Key words: differential evolution, constrained optimization, adaptation, testing

刘明广. 改进差异演化算法求解约束优化问题[J]. 计算机工程与应用, 2008, 44(19): 43-45.

LIU Ming-guang. Improved differential evolution algorithms for solving constrained optimization problems[J]. Computer Engineering and Applications, 2008, 44(19): 43-45.

[1]	马珺，王昱皓. 结合自适应更新策略和再检测技术的跟踪算法[J]. 计算机工程与应用, 2021, 57(9): 217-224.
[2]	张松灿，普杰信，司彦娜，孙力帆. 基于种群相似度的自适应改进蚁群算法及应用[J]. 计算机工程与应用, 2021, 57(8): 70-77.
[3]	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.
[4]	赵林锁，马瑞强，姜天，宋宝燕，潘一山. 两级回归的流式大数据事件自适应预警方法[J]. 计算机工程与应用, 2021, 57(7): 88-94.
[5]	卜冠南，刘建华，姜磊，张冬阳. 一种自适应分组的蚁群算法[J]. 计算机工程与应用, 2021, 57(6): 67-73.
[6]	倪宗军，陈辉，张昀，苏敏，郑秀娟. 自适应去噪的非接触式生理参数检测方法[J]. 计算机工程与应用, 2021, 57(5): 153-160.
[7]	陈世明，林子朋，高彦丽，裴惠琴. 自适应耦合权重下的异质群体一致性研究[J]. 计算机工程与应用, 2021, 57(4): 231-235.
[8]	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.
[9]	陈明月，刘三阳. 自适应流形学习在故障诊断中的应用[J]. 计算机工程与应用, 2021, 57(3): 247-252.
[10]	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.
[11]	李雅，侯彦东，刘畅. 基于故障程度的自适应优化容错控制[J]. 计算机工程与应用, 2021, 57(23): 295-302.
[12]	肖振久，孔祥旭，宗佳旭，杨玥莹. 自适应聚焦损失的图像目标检测算法[J]. 计算机工程与应用, 2021, 57(23): 185-192.
[13]	张忠林，赵昱，闫光辉. 自然邻居密度极值聚类算法[J]. 计算机工程与应用, 2021, 57(23): 200-210.
[14]	畅雅雯，赵冬青，单彦虎. 多特征融合和自适应聚合的立体匹配算法研究[J]. 计算机工程与应用, 2021, 57(23): 219-225.
[15]	李舵，董超群，司品超，何曼，刘钱超. 神经网络验证和测试技术研究综述[J]. 计算机工程与应用, 2021, 57(22): 53-67.