双变异模式协同的自适应微分进化算法研究

"该文提出了一种名为双变异模式协同自适应微分进化算法(DMCSaDE)，旨在解决微分进化算法在优化过程中遇到的局部最优、缓慢收敛及低精度问题。通过结合DE/rand/1和DE/best/1两种变异模式的探索与开发优势，并采用精英存档策略和控制参数自适应策略，DMCSaDE能够提升全局搜索能力和局部搜索效率，防止早熟收敛，从而增强算法的收敛性能和鲁棒性。实验结果显示，精英种群的大小显著影响着算法的优化效果。" 微分进化算法是一种基于群体的全局优化方法，其基本思想是通过个体间的差异进行变异操作，寻找解决方案空间中的潜在最优解。然而，传统微分进化算法在实际应用中常常遇到几个挑战：容易陷入局部最优，后期进化速度下降，以及求解精度不足。为了解决这些问题，DMCSaDE算法进行了以下改进： 1. 双变异模式协同：DE/rand/1模式强调全局探索，而DE/best/1模式注重局部开发。DMCSaDE结合了这两种模式，既能广泛搜索解空间，又能深入挖掘局部区域，提高了算法的寻优能力。 2. 精英存档策略：通过保存并利用每次迭代中的最优解（精英个体），DMCSaDE可以保留并传播优秀基因，有助于防止算法过早收敛到次优解，同时增强了算法的鲁棒性。 3. 控制参数自适应：DMCSaDE引入了自适应策略来调整算法的控制参数，如种群规模、交叉概率和变异因子等，这使得算法能根据搜索过程动态地改变行为，提高适应性。 在15个标准测试函数的实验评估中，DMCSaDE表现出色，不仅在全局探索和局部开发方面有显著提升，还成功避免了早熟收敛的问题，提高了算法的收敛速度和精度。实验结果还指出，精英种群的大小是影响算法性能的关键因素，适当调整精英种群规模可以进一步优化算法的优化性能。 DMCSaDE算法通过结合不同的变异策略和采用自适应控制参数以及精英存档，有效地提升了微分进化算法在全局优化中的表现，为解决复杂优化问题提供了新的思路。这种改进对于优化领域的研究和实际应用具有重要的理论和实践价值。