具有局部搜索策略的差分进化算法

doi:10.3778/j.issn.1002-8331.2009.07.018

计算机工程与应用 ›› 2009, Vol. 45 ›› Issue (7): 56-58.DOI: 10.3778/j.issn.1002-8331.2009.07.018

具有局部搜索策略的差分进化算法

谭跃^1,2,谭冠政¹,涂立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.湖南城市学院计算机系，湖南益阳 413000

收稿日期:2008-08-29 修回日期:2008-10-30 出版日期:2009-03-01 发布日期:2009-03-01
通讯作者: 谭跃

Differential evolution algorithm with local search strategy

TAN Yue^1,2,TAN Guan-zheng¹,TU Li³

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.Department of Computer Science，Hunan City University，Yiyang，Hunan 413000，China

Received:2008-08-29 Revised:2008-10-30 Online:2009-03-01 Published:2009-03-01
Contact: TAN Yue

摘要/Abstract

摘要： 针对目前差分进化与局部搜索相结合仅局限于基于交叉的局部搜索的方法，提出了一种基于最佳个体局部搜索策略的差分进化算法（LSDE），并引入正态分布算子自动调整搜索步长和时变差分进化因子调整DE的两个参数。实验结果表明：除一个函数外，LSDE的寻优效果比DE和基于混沌搜索的微分进化算法（CDE）都要好，LSDE的收敛速度比DE快。

关键词: 差分进化, 局部搜索策略, 最佳个体

Abstract: At present，the hybridization of Differential Evolution（DE） with local search method confines to DE with a crossover based local search method.A novel differential evolution algorithm with best-individual based Local Search strategy（LSDE） is proposed.In LSDE，a normal distribution operator is introduced to automatically modify search length，and time-varying factors are introduced to modify the two parameters of DE.The experiment results show that except for one function，the ability of finding the optimal solutions using LSDE is better than that of using DE and differential evolution algorithm based on chaos searching （CDE），and the convergence speed of LSDE is quicker than that of DE.

Key words: Differential Evolution（DE）, local search strategy, best-individual

谭跃^1,2,谭冠政¹,涂立³. 具有局部搜索策略的差分进化算法[J]. 计算机工程与应用, 2009, 45(7): 56-58.

TAN Yue^1,2,TAN Guan-zheng¹,TU Li³

. Differential evolution algorithm with local search strategy[J]. Computer Engineering and Applications, 2009, 45(7): 56-58.

[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]	郝翔，贺毅朝，朱晓斌，翟庆雷. 基于离散混合多宇宙算法求解折扣{0-1}背包问题[J]. 计算机工程与应用, 2021, 57(18): 103-113.
[5]	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.
[6]	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.
[7]	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.
[8]	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.
[9]	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.
[10]	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.
[11]	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.
[12]	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.
[13]	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.
[14]	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.
[15]	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.

具有局部搜索策略的差分进化算法

Differential evolution algorithm with local search 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