优化差分进化算法：高斯随机游走与个体筛选策略

本文主要探讨了一种改进的差分进化算法，针对传统差分进化算法在开发能力上的不足，提出了一种结合最优高斯随机游走和个体筛选策略的新方法。高斯随机游走策略被引入以增强算法的创新性和适应性，它模仿自然界中的随机行为，使得搜索空间得到更有效的探索，有助于跳出局部最优解，提高全局搜索的能力。 简化交叉变异策略是另一种关键元素，它根据每个个体的优化性能进行调整，减少了不必要的变异操作，增强了算法的局部搜索效率。这种策略允许算法在保持一定多样性的同时，更专注于优化性能较好的个体，从而在解决无约束和约束优化问题时展现出更强的针对性。 个体筛选策略则是为了进一步提升算法的全局探索能力，它通过评估和选择具有较高适应度的个体，促使种群向更优解方向演化，防止陷入局部最优陷阱。这种方法确保了算法在优化过程中既能深入挖掘局部优点，又能保持对全局最优解的持续探寻。 实验结果证明了这一新型差分进化算法（记作基于最优高斯随机游走和个体筛选策略的DE）在12个标准测试函数和两个工程约束优化问题上表现出色。相比于其他知名算法如EPSDE、SaDE、JADE、BSA、CoBiDE、GSA和ABC，该算法在收敛速度、算法的稳定性和收敛精度方面均有显著优势。这表明，通过引入这些策略，不仅提高了算法的开发能力，还提升了整体优化效果，使之成为处理复杂优化问题的有效工具。因此，对于寻求高效和可靠的优化解决方案的工程师和研究人员来说，这种改进的差分进化算法是一个值得考虑的重要选择。