一种新的差分进化算法

doi:10.3778/j.issn.1002-8331.2008.24.010

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (24): 40-42.DOI: 10.3778/j.issn.1002-8331.2008.24.010

一种新的差分进化算法

邓泽喜^1,2,曹敦虔²,刘晓冀²,李娜³

1.毕节学院数学系，贵州毕节 557100
2.广西民族大学数学与计算机科学学院，南宁 530006
3.德州学院数学系，山东德州 253023

收稿日期:2007-10-29 修回日期:2008-01-02 出版日期:2008-08-21 发布日期:2008-08-21
通讯作者: 邓泽喜

New differential evolution algorithm

DENG Ze-xi^1,2,CAO Dun-qian²,LIU Xiao-ji²,LI Na³

1.Department of Mathematics，Bijie College，Bijie，Guizhou 557100，China
2.College of Mathematics and Computer Science，Guangxi University for Nationalities，Nanning 530006，China
3.Department of Mathematics，Dezhou College，Dezhou，Shandong 253023，China

Received:2007-10-29 Revised:2008-01-02 Online:2008-08-21 Published:2008-08-21
Contact: DENG Ze-xi

摘要/Abstract

摘要： 针对高维复杂函数的优化问题，提出了一种新的差分进化算法（NDE）。该算法在运行中根据迭代次数自动地调整交叉概率因子，从而在搜索的初始阶段提高种群多样性，而在搜索后期加强局部搜索能力。对几种经典函数的测试表明，新算法不仅具有很强的全局搜索能力，而且能有效避免早熟收敛问题。

关键词: 差分进化, 早熟收敛, 交叉概率

Abstract: For complex functions with high dimensions，a New Differential Evolution algorithm（NDE） based on the variance of the population’s fitness is presented.In order to balance global and local search ability，fasten convergence speed，avoid premature，the cross rate is automatically updated according to the generation.The experimental results show that the new algorithm not only has great advantage of convergence， but also can avoid the premature convergence problem effectively.

Key words: differential evolution, premature convergence, cross rate

邓泽喜^1,2,曹敦虔²,刘晓冀²,李娜³. 一种新的差分进化算法[J]. 计算机工程与应用, 2008, 44(24): 40-42.

DENG Ze-xi^1,2,CAO Dun-qian²,LIU Xiao-ji²,LI Na³. New differential evolution algorithm[J]. Computer Engineering and Applications, 2008, 44(24): 40-42.

[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]	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.
[4]	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.
[5]	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.
[6]	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.
[7]	张梦琳，江沸菠，董莉，高颖. 智能无人机轨迹与任务卸载联合优化[J]. 计算机工程与应用, 2020, 56(21): 38-46.
[8]	王浩，李俊，周蓉. 自适应合并与分裂的多种群差分进化算法[J]. 计算机工程与应用, 2020, 56(15): 162-171.
[9]	王亚东，石全，尤志锋，宋卫星. 差分准对立学习多目标蚁狮算法[J]. 计算机工程与应用, 2020, 56(13): 156-163.
[10]	耿焕同，周利发，丁洋洋，周山胜. 一种基于新型差分进化模型的MOEA/D改进算法[J]. 计算机工程与应用, 2019, 55(8): 138-146.
[11]	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.
[12]	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.
[13]	姜圣涛，穆学文. 广义模糊熵图像阈值分割参数选取的ADE方法[J]. 计算机工程与应用, 2018, 54(9): 183-188.
[14]	廖雄鹰1，2，李俊1，2，罗阳坤1，2，李波1，2. 基于自适应变异算子的差分进化算法[J]. 计算机工程与应用, 2018, 54(6): 128-134.
[15]	吴明胜，邓晓刚. 基于Tri-DE-ELM的半监督模式分类方法研究[J]. 计算机工程与应用, 2018, 54(3): 109-114.

一种新的差分进化算法

New 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