Memetic框架与NDFP局部搜索：提升差分进化算法的性能

本文主要探讨的是如何通过结合Memetic框架和改进的Davidon-Fletcher-Powell (DFP) 局部搜索算法来提升差分进化(Deviational Evolution, DE) 的性能，特别是在解决性连续优化问题时的求解效率和适应性。Memetic算法是一种混合了全局搜索和局部搜索策略的进化计算方法，旨在增强算法的全局探索能力和局部优化精度。 首先，文章针对DE算法在遇到复杂优化问题时可能的收敛速度较慢或陷入局部最优的问题，提出了基于Memetic框架的改进方法。Memetic框架通常包括一个全局搜索过程和一个局部搜索过程，这样可以利用全局搜索的广泛探索性和局部搜索的精确性相结合的优势。 DFP方法是用于数值优化的一种经典算法，它通过近似计算目标函数的梯度来引导搜索方向。然而，原始的DFP方法在处理高维连续优化问题时可能存在效率不高的问题。因此，作者改进了DFP，将其应用于局部搜索算法，形成了名为NDFP（Non-Directional DFP）的方法。NDFP能够使优秀的个体在保持原有优势的同时，更快地朝着局部最优解的方向演化，提高了算法的局部搜索能力。 为了进一步增强DE算法的性能，作者设计了一种局部搜索执行策略，它在DE的迭代过程中适时地引入NDFP，以平衡全局搜索与局部搜索之间的关系。这种策略使得NDFP-DE算法能够更有效地应对各种优化问题，具有更广泛的适应性。 实验部分展示了NDFP-DE算法在CEC2005和CEC2013 Benchmark中的53个测试函数上的表现。对比实验结果显示，与DE/current-to-best/1、SaDE（Self-adaptive DE）和EPSDE（Enhanced Particle Swarm DE）等其他算法相比，NDFP-DE在求解精度和稳定性方面表现出显著的优势，这证明了所提方法的有效性和实用性。 这篇论文通过将Memetic框架与改进的DFP局部搜索技术相结合，创新性地设计了一种新型的优化算法NDFP-DE，成功地提升了差分进化在连续优化问题上的求解性能，为解决实际工程问题提供了有力的工具。