增强收敛与全局寻优的LMDE算法：融合对数交叉与随机迁移

本文主要探讨了融合对数交叉概率因子和随机迁移的差分进化算法（LMDE）。差分进化算法（DE）由Storn和Price在1995年提出，因其简洁的原理和良好的全局搜索性能，在优化领域迅速受到关注。然而，DE算法在后期收敛速度较慢且容易陷入局部最优的问题一直存在。为解决这些问题，研究者们致力于改进算法性能。 论文作者马小华和李济民针对DE的局限性，提出了LMDE，旨在增强算法的收敛速度、精度和全局寻优能力。他们引入了对数递增交叉概率因子，这种方法能动态调整交叉概率，使得算法在搜索初期保持较高的多样性，随着搜索进程推进，逐渐提高交叉概率，从而避免陷入局部最优。同时，随机迁移算子也被整合到算法中，通过在种群中随机交换个体，增加了解决局部最优的可能性，提升了算法的全局搜索策略。 实验结果显示，与基础DE算法和混沌差分进化算法（CDE）相比，LMDE在收敛性、稳健性和全局寻优能力上表现更优。这表明，通过自适应调整交叉概率和引入随机迁移，LMDE能够有效地改善算法的性能，使其在处理非线性、不可微和多极值问题时展现出更强的优化效果。这项工作不仅提升了差分进化算法的实用性，也为其他领域的优化问题提供了新的解决方案，特别是在约束优化计算、模糊控制器优化设计、神经网络优化和滤波器设计等领域具有广泛应用潜力。