基于自适应差分进化(EI)的约束进化算法

本文献主要探讨了一种基于自适应差分进化（Adaptive Differential Evolution, ADE）的约束演化算法在解决科学与工程中的优化问题中的应用。针对优化过程中常见的收敛速度慢和早熟问题，作者提出了一种改进的CO-JADE（Constrained Optimization with JADE）算法。CO-JADE算法的关键在于结合高斯分布、卡方分布的特点以及变异因子的自适应调整，从而提高求解过程的效率和稳定性。 首先，高斯分布和卡方分布是适应性变异策略的基础。在传统差分进化（Differential Evolution, DE）算法中，变异操作通常采用随机分布生成新的解。通过引入高斯分布的连续性和卡方分布的均匀性，可以使得变异过程更加灵活，能够更好地探索搜索空间，尤其是在处理约束条件时，避免陷入局部最优。 其次，自适应变异因子是CO-JADE算法的重要组成部分。传统的DE算法中，变异因子通常是固定的，但这种做法可能不适合所有类型的约束优化问题。作者通过监测搜索过程中的性能，动态调整变异因子，确保在不同的阶段，算法能根据问题特性自动调整变异强度，从而避免过早收敛或搜索效率低下。 文章以Int.J.HighPerformanceComputingandNetworking, 2018年第11卷第3期为发表平台，作者Kangshun Li*等人，分别来自华南农业大学数学与信息学院和深圳硕迪统计学家有限公司，他们不仅提出了算法的理论框架，还可能通过实验验证了算法在实际问题上的性能。由于涉及到了多个作者的合作，邮件地址被列出以方便通信。 总结来说，这篇研究论文创新性地将自适应变异策略融入到约束优化的DE算法中，旨在提升算法的全局搜索能力和解决复杂约束问题的能力。通过结合概率分布特性与动态调整的变异因子，CO-JADE算法有望在优化计算性能和解决实际工程问题上展现出优势。