改进的JADE算法：自适应杂交概率与混沌映射优化

本文介绍了一种基于JADE（Java Agent DEvlopment Framework）改进的差分演化算法，由李康顺、王法杰、张楚湖、杨磊和陈琰等人在华南农业大学信息学院的研究背景下提出。原算法存在局部搜索能力不足和易陷入局部最优的问题。为解决这些问题，研究者对带归档的自适应差分演化算法进行了深入的改进。 首先，算法采用斜帐篷混沌映射函数作为初始化手段，这种混沌映射可以提供多样性和随机性，有助于打破传统搜索方法中的固定模式。在每次迭代过程中，每个个体会生成满足正态分布和柯西分布的杂交概率，以及满足正态分布的缩放因子。这增加了算法的灵活性，有助于探索搜索空间的不同区域。 算法特别关注成功变异个体的表现，通过记录这些个体的杂交概率和缩放因子，引入了统计杂交概率的概念。这种方法允许算法根据历史数据动态调整参数，从而提高搜索的效率和全局优化能力。自适应地更新杂交概率采用两种策略，旨在更好地平衡全局和局部搜索，避免过度集中或分散。 作者们还对这种改进的自适应差分演化算法在经典测试函数上进行了实验，结果表明新算法在解的精度和收敛速度方面优于多种经典的自适应差分演化算法。这意味着改进后的算法具有更强的搜索性能和稳定性。 关键词包括自适应差分演化算法、混沌映射、统计杂交概率、柯西分布和正态分布，这些关键词突出了论文的核心贡献和研究领域。整体来看，这项工作对于优化问题求解提供了新颖且有效的解决方案，对于提高计算智能领域的搜索算法有着实际的应用价值。