基于Memetic框架与改进DFP的局部搜索差分进化算法

"该文提出了一种基于Memetic框架和改进DFP局部搜索的改进差分进化算法，旨在提升差分进化算法解决连续优化问题的能力和适应性。通过改良Davidon-Fletcher-Powell方法，创建了名为NDFP的高效局部搜索算法，能够在进化过程中快速引导优秀个体向局部最优解进化。同时，设计了局部搜索的执行策略以协调全局搜索与局部搜索，增加了算法的广泛适应性。实验结果显示，NDFP-DE算法在CEC2005和CEC2013基准测试函数上的表现优于DE/current-to-best/1、SaDE和EPSDE算法，表现出更高的求解精度和稳定性。关键词包括Memetic框架、差分进化、局部搜索、DFP方法和近似梯度。" 本文主要探讨了如何优化差分进化算法（DE）以解决连续优化问题。首先，作者引入了Memetic算法框架，这是一种结合全局和局部搜索策略的方法，以提高算法的整体性能。在此基础上，他们对经典的Davidon-Fletcher-Powell（DFP）方法进行了改进，开发出名为NDFP的局部搜索算法。NDFP算法在发现优秀个体时，能够迅速引导其向局部最优解靠近，从而增强了算法的局部搜索能力。 为了充分利用NDFP的强搜索能力和DE的全局探索特性，作者提出了一个动态的局部搜索执行策略。这个策略旨在平衡全局和局部搜索之间的关系，确保算法在探索大范围解决方案的同时，也能深入到局部区域进行精细优化。这种策略的实施使得NDFP-DE算法在各种复杂优化问题上更具适应性。 实验部分，作者对比了NDFP-DE算法与传统的DE/current-to-best/1、SaDE（Self-adaptive Differential Evolution）和EPSDE（Efficient Population Size Control Differential Evolution）算法在CEC2005和CEC2013基准测试函数上的表现。实验结果证实，NDFP-DE算法在解决连续优化问题时，不仅在求解精度上表现出色，而且在算法稳定性方面也优于其他比较算法。 这项研究通过结合Memetic框架、改进的DFP局部搜索和动态执行策略，成功地提升了差分进化算法的性能，对于解决复杂的连续优化问题提供了新的思路和工具。这种方法的创新性和有效性，为未来优化算法的设计和改进提供了有价值的参考。