基于差分演化和克隆选择机制的优化算法

计算机工程与应用 ›› 2013, Vol. 49 ›› Issue (10): 50-52.

基于差分演化和克隆选择机制的优化算法

杨格兰1，金辉霞2，朱幸辉3

1.湖南城市学院计算机科学系，湖南益阳 413000
2.湖南城市学院物理与电信工程系，湖南益阳 413000
3.湖南农业大学信息科学工程学院，长沙 410128

出版日期:2013-05-15 发布日期:2013-05-14

Optimization algorithm based on differential evolution and clonal selection mechanism

YANG Gelan1, JIN Huixia2, ZHU Xinghui3

1.Department of Computer Science, Hunan City University, Yiyang, Hunan 413000, China
2.Department of Physics and Telecom Engineering, Hunan City University, Yiyang, Hunan 413000, China
3.Institute of Information Engineering, Hunan Agricultural University, Changsha 410128, China

Online:2013-05-15 Published:2013-05-14

摘要/Abstract

摘要： 为了解决函数优化过程中的“早熟收敛”和“搜索迟钝”问题，将差分演化算法与克隆选择算法进行了结合，提出了一种新的差分演化克隆选择算法。该算法将克隆选择操作引入到差分演化算法中，达到了既能够选出最好个体又能够保证种群多样性的效果。实验结果表明该算法在多峰值函数优化问题中，具有求解精度较高，收敛速度较快等优点。

关键词: 函数优化, 早熟收敛, 差分演化算法, 克隆选择算法

Abstract: To further avoid the problem of premature convergence and search stolidity in the process of resolving function optimization, a differential evolution clonal selection algorithm based on the clonal selection theory is proposed which can enhance the operating efficiency and the convergence rate of the differential evolution algorithm and then can both select the best individual and guarantee the population diversity. The simulation experimental results show that the result of the multiple hump function is accurate and the convergence speed is fast.

Key words: numerical optimization, premature convergence, differential evolution, clonal selection algorithm

杨格兰1，金辉霞2，朱幸辉3. 基于差分演化和克隆选择机制的优化算法[J]. 计算机工程与应用, 2013, 49(10): 50-52.

YANG Gelan1, JIN Huixia2, ZHU Xinghui3. Optimization algorithm based on differential evolution and clonal selection mechanism[J]. Computer Engineering and Applications, 2013, 49(10): 50-52.

[1]	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.
[2]	陈海洋，金晓磊，牛龙辉，刘喜庆. 基于改进克隆选择算法的区域交通灯配时优化[J]. 计算机工程与应用, 2020, 56(9): 272-278.
[3]	魏锋涛，史云鹏，石坤. 具有组合变异策略的回溯搜索优化算法[J]. 计算机工程与应用, 2020, 56(9): 41-47.
[4]	陈忠云，张达敏，辛梓芸，张绘娟，闫威. 混沌精英质心拉伸机制的樽海鞘群算法[J]. 计算机工程与应用, 2020, 56(10): 44-50.
[5]	谈庆，黄樟灿. 基于近邻套索算子的磷虾群算法[J]. 计算机工程与应用, 2019, 55(9): 124-129.
[6]	白创，陈翔. 新型LeNet-FC卷积神经网络模型算法的研究[J]. 计算机工程与应用, 2019, 55(5): 105-111.
[7]	刘茜1，毛力1，杨弘2. 差分进化引导趋化算子的烟花优化算法[J]. 计算机工程与应用, 2019, 55(3): 140-146.
[8]	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.
[9]	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.
[10]	党婷婷，林丹. 含有动态自适应惯性权重的蜘蛛猴优化算法[J]. 计算机工程与应用, 2019, 55(14): 40-47.
[11]	魏锋涛，岳明娟，郑建明. 基于多策略融合的改进人工蜂群算法[J]. 计算机工程与应用, 2018, 54(5): 111-116.
[12]	吴聪聪1，赵建立1，2，刘雪静1，陈嶷瑛1. 改进的差分演化算法求解多维背包问题[J]. 计算机工程与应用, 2018, 54(11): 153-160.
[13]	徐辰华1，李成县1，喻昕2，黄清宝1. 基于Cat混沌与高斯变异的改进灰狼优化算法[J]. 计算机工程与应用, 2017, 53(4): 1-9.
[14]	吴伟民，吴汪洋，林志毅，李泽熊，方典禹. 基于增强个体信息交流的蜻蜓算法[J]. 计算机工程与应用, 2017, 53(4): 10-14.
[15]	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.