一种蛙跳和差分进化混合算法

计算机工程与应用 ›› 2011, Vol. 47 ›› Issue (18): 4-8.

一种蛙跳和差分进化混合算法

何兵1，2，车林仙1，2，刘初升1

1.中国矿业大学机电工程学院，江苏徐州 221008
2.泸州职业技术学院机电工程研究所，四川泸州 646005

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2011-06-21 发布日期:2011-06-21

Novel hybrid shuffled frog leaping and differential evolution algorithm

HE Bing1，2，CHE Linxian1，2，LIU Chusheng1

1.School of Mechanical and Electrical Engineering，China University of Mining and Technology，Xuzhou，Jiangsu 221008，China
2.Institute of Mechatronics Engineering，Luzhou Vocational and Technical College，Luzhou，Sichuan 646005，China

Received:1900-01-01 Revised:1900-01-01 Online:2011-06-21 Published:2011-06-21

摘要/Abstract

摘要： 混洗蛙跳算法（SFLA）具有算法简单、控制参数少、易于实现等优点，但在高维难优化问题中算法容易早熟收敛且求解精度不高。导致该缺陷的主要原因是在进化后期种群多样性迅速下降，且缺乏局部细化搜索能力。借鉴差分进化算法（DE）中DE/best/1/bin版本具有全局搜索能力较强、种群多样性较好的优点，将SFLA与DE有机融合，形成混合优化算法（SFL-DE），以克服SFLA容易早熟收敛的缺陷。给出了6个30维benchmark问题数值对比实验，结果表明，在给定的较小进化代数内，SFL-DE的寻优效率、计算精度、鲁棒性等性能优于SFLA和基本DE（DE/best/1/bin和DE/rand/1/bin），不足之处是其耗时更长。

关键词: 混洗蛙跳算法, 差分进化算法, 混合优化, 连续优化问题

Abstract: Shuffled Leaping Frog Algorithm（SFLA） is characterized by simplicity，few control parameters required，and easily be used，but has the disadvantages of premature convergence and low precision for hard high-dimensional optimization problems，due to its rapid loss of the population diversity and the lack of local refined search abilities at the later stages of generations.In order to overcome the easy premature or early convergence of SFLAs，this paper hybridizes the SFLA and the Differential Evolution（DE） algorithm to form a hybrid optimization algorithm，namely SFL-DE，which borrows the idea from DE/best/1/bin strategy that has the advantages of strong global search ability and better population diversity.Comparisons are presented to test performances of the new algorithm employing 6 benchmark 30-dimensional functions.Compared with SFLA and standard DE（i.e.，DE/best/1/bin and DE/rand/1/bin schemes） algorithms，the experimental results in terms of the global optimization efficiency，the solution accuracy and the computation robustness demonstrate that the SFL-DE algorithm is a better tool for solving some benchmark optimization problems within a few fixed generations，but takes a longer run time.

Key words: Shuffled Frog Leaping Algorithm（SFLA）, Differential Evolution（DE） algorithm, hybrid optimization, continuous optimization problem

何兵1，2，车林仙1，2，刘初升1. 一种蛙跳和差分进化混合算法 [J]. 计算机工程与应用, 2011, 47(18): 4-8.

HE Bing1，2，CHE Linxian1，2，LIU Chusheng1. Novel hybrid shuffled frog leaping and differential evolution algorithm[J]. Computer Engineering and Applications, 2011, 47(18): 4-8.

[1]	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.
[2]	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.
[3]	李荣，贺兴时，杨新社. 基于差分进化的飞蛾算法在电力调度中的应用[J]. 计算机工程与应用, 2021, 57(13): 258-268.
[4]	张铭，邓文瀚，林娟，钟一文. 改进蚁群优化算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(13): 85-95.
[5]	沈鑫，邹德旋，张强. 采用双变异策略的自适应差分进化算法及应用[J]. 计算机工程与应用, 2020, 56(4): 146-157.
[6]	迟宗正，董绍正，郭童，任志磊，周宽久，郭禾. 求解风力发电机布局问题的超启发式算法研究[J]. 计算机工程与应用, 2019, 55(7): 220-225.
[7]	顾清华，孟倩倩. 优化复杂函数的粒子群-鸽群混合优化算法[J]. 计算机工程与应用, 2019, 55(22): 46-52.
[8]	邹德龙，王宝华. 一种混合优化算法面向高维函数优化的研究[J]. 计算机工程与应用, 2019, 55(20): 122-127.
[9]	张玉分1，龙金莲1，李婧1，卢家暄2. 基于免疫粒子群优化的主动悬架LQG控制研究[J]. 计算机工程与应用, 2018, 54(6): 252-256.
[10]	刘利斌1，2，隆广庆1，2，上官珍萍1. 差分进化与有理谱方法求解奇异摄动问题[J]. 计算机工程与应用, 2018, 54(17): 225-230.
[11]	钱武文，柴军瑞，张子映，谈然. 基于反射变异策略的自适应差分进化算法[J]. 计算机工程与应用, 2018, 54(15): 161-168.
[12]	张锦华1，宋来锁2，张元华3，李富昌4. 加权变异策略动态差分进化算法[J]. 计算机工程与应用, 2017, 53(4): 156-162.
[13]	靳雁霞，任超，李照，程思岳，王贺，韩慧妍. 融合智能算法的变形体碰撞检测算法研究[J]. 计算机工程与应用, 2017, 53(19): 130-135.
[14]	康代轲1，陈明2. 基于改进混沌搜索算法的机器人轨迹规划[J]. 计算机工程与应用, 2017, 53(14): 143-147.
[15]	王欣欣. 混合自适应引力搜索优化的特征选择方法[J]. 计算机工程与应用, 2017, 53(12): 166-171.