参数优化下的简化差异演化算法实验研究

本文主要探讨了"差异演化"这一进化计算方法在实际应用中的参数选择问题。差异演化（DE）是一种基于种群的搜索算法，通过模仿自然界的生物进化过程，如基因突变、交叉和重新组合来寻找最优解。在传统DE算法中，参数的选择对于算法性能至关重要，包括缩放因子F和交叉概率CR。 作者首先通过一系列实例研究，深入剖析了这些关键参数如何影响DE的性能。他们注意到，固定的F值可能不适用于所有情况，因此提出了一种创新的方法——简化的差异演化版本（SDE），其中将缩放因子F设定为随机函数。这种变化有两大优点：一是简化了参数调整的过程，因为随机化可以自适应地调整步长，减少了人为设置的复杂性；二是使得CR参数的选择更加灵活，能够更好地适应不同的优化问题。 SDE算法的设计目标是提高算法的鲁棒性和效率。通过实验对比，作者发现与现有的遗传算法在解决带约束的数值优化问题时，SDE能够在相对较少的计算次数内获得更优的结果。这表明SDE在保持高效搜索的同时，还能有效地处理约束条件，从而在优化过程中展现出更好的性能。 本文的核心贡献在于提出了一种新型的DE变体，通过改进参数策略，提升了DE在数值优化领域的应用效果。这对于理解和改进其他进化计算方法，特别是在复杂优化问题上的应用具有重要的理论价值和实践意义。未来的研究可能进一步探索如何在更多领域和更复杂的优化场景中优化和扩展这种随机化的差异演化策略。