自适应离散差分进化算法策略选择研究

这篇研究论文探讨了自适应离散差分进化算法（Self-adaptive Discrete Differential Evolution, SaDDE）中的策略选择问题。差分进化算法是一种全局优化方法，广泛应用于解决复杂的离散优化问题。SaDDE通过自适应地调整算法参数来提高搜索效率和解决方案质量。 文章指出，策略池在SaDDE中扮演关键角色，其设计需解决三个核心问题：(1)如何判断候选策略（Candidate Strategy Generating Strategy, CSGS）的有效性；(2)选择哪些CSGS构成策略池；(3)策略池的合适规模是多少。为解决这些问题，研究者提出了基于相对排列顺序的标度法（Ranking-based Position Order Scaling Method, RPOSM）以及基于RPOSM的层次分析法（RPOSM-Analytic Hierarchy Process, RPOSM-AHP）。 通过电子对抗（Electronic Countermeasure, ECM）仿真实验平台，使用6个测试实例（T_INS），设计了144种不同的CSGS，并进行了144×6次独立实验以获取性能排序。接着，利用RPOSM和RPOSM-AHP计算这些CSGS的优先级，进一步设计了16种不同策略池大小的算法，在相同测试实例上进行性能比较。最终，通过RPOSM和RPOSM-AHP确定了SaDDE的适宜策略池规模。 实验结果显示，SaDDE在有限的评估次数（Number of Function Evaluations, NFE）内，相比于其他同类算法，表现出更优秀的性能。关键词涵盖了智能计算、离散优化、自适应、差分进化、层次分析法、决策、协同干扰以及武器目标分配等领域，表明该研究对于离散优化问题的解决有重要理论与实践价值。 这篇工作对于理解并改进自适应差分进化算法的策略选择机制提供了深入见解，有助于推动智能优化算法在复杂问题求解中的应用。