提升性能的差分进化算法研究与应用改进

本文主要探讨了差分进化算法及其在实际问题中的应用研究，由河海大学的蔡亮撰写，旨在深入理解并优化这种基于群体差异的随机搜索算法。差分进化算法因其简单易懂、参数较少且具有较强的鲁棒性，已经成为众多学者的研究热点，并在诸如优化、控制系统等领域展现出广泛应用。 首先，作者对差分进化算法的基本原理和各种改进形式进行了概述，回顾了近年来的研究成果，对不同差分策略如DE/rand/1和DE/best/1进行了详尽分析。这些策略虽然在某些场景下表现优秀，但存在早熟收敛和局部搜索能力不足的问题。为了克服这些问题，作者提出了结合两种策略的并行交叉方法，通过引入聚集度因子进行种群重构，有效减少了搜索空间的随机性，提高了算法的寻优性能。 接着，文章聚焦于算法的停滞与早熟现象，提出了辅助种群的策略。这个策略利用历史信息来增强算法的多样性，通过数据挖掘解决了算法在保持多样性与搜索方向性之间的平衡。同时，作者还开发了一种新型扩展方向搜索算子，特别针对DE/rand/1策略，以提升其寻优效率。 针对实际应用中的挑战，特别是建模复杂性和不确定性导致的被控对象动态变化和非线性，作者创新地将差分进化算法应用于PID控制器的在线整定。这种基于ITAE控制律的方法无需精确的系统模型，从而具有很好的工程实用价值。 关键词包括进化计算、差分进化、差分策略、早熟收敛、PID整定等，这些都是本文的核心内容。本文通过一系列的理论分析和实证研究，不仅深化了对差分进化算法的理解，还提出了有效的改进策略和应用实例，为该领域的进一步发展提供了有价值的参考。