差分進(jìn)化算法及應(yīng)用研究.pdf

1、論文首先介紹了智能優(yōu)化算法的產(chǎn)生對(duì)現(xiàn)代優(yōu)化技術(shù)的重要影響，闡述了智能優(yōu)化算法的研究和發(fā)展對(duì)現(xiàn)代優(yōu)化技術(shù)和工程實(shí)踐應(yīng)用的必要性，歸納總結(jié)了智能優(yōu)化算法的主要特點(diǎn)，簡(jiǎn)要介紹了智能優(yōu)化算法的主要研究?jī)?nèi)容及應(yīng)用領(lǐng)域。 對(duì)差分進(jìn)化算法的原理進(jìn)行了詳細(xì)的介紹，給出了差分進(jìn)化算法的偽代碼。針對(duì)混合整數(shù)非線性規(guī)劃問題的特點(diǎn)，在差分進(jìn)化算法的變異操作中加入取整運(yùn)算，提出了一種適合于求解各種混合整數(shù)非線性規(guī)劃問題的改進(jìn)差分進(jìn)化算法。同時(shí)，采用時(shí)變交

2、叉概率因子的方法以提高算法的全局搜索能力和收斂速率。用四個(gè)典型測(cè)試函數(shù)進(jìn)行了實(shí)驗(yàn)研究，實(shí)驗(yàn)結(jié)果表明，改進(jìn)的差分進(jìn)化算法用于求解混合整數(shù)非線性規(guī)劃問題時(shí)收斂速度快，精度高，魯棒性強(qiáng)。 采用非固定多段映射罰函數(shù)法處理問題的約束條件，提出了一種用改進(jìn)差分進(jìn)化算法求解非線性約束優(yōu)化問題的新方法。結(jié)合差分進(jìn)化算法兩種不同變異方式的特點(diǎn)，引入模擬退火策略，使算法在搜索的初始階段有較強(qiáng)的全局搜索能力，而在后階段有較強(qiáng)的局部搜索能力，以提高算法

3、的全局收斂性和收斂速率。用幾個(gè)典型Benchmarks函數(shù)進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果表明，該方法全局搜索能力強(qiáng)，魯棒性好，精度高，收斂速度快，是一種求解非線性約束優(yōu)化問題的有效方法。 為保持所求得的多目標(biāo)優(yōu)化問題Pareto最優(yōu)解的多樣性，提出了一種精英保留和根據(jù)目標(biāo)函數(shù)值進(jìn)行排序的多目標(biāo)優(yōu)化差分進(jìn)化算法。對(duì)排序策略中目標(biāo)函數(shù)的選擇方式進(jìn)行了分析和比較，并提出了一種確定進(jìn)化過程中求得的精英解是否進(jìn)入Pareto最優(yōu)解集的閾值確定方法。

4、用多個(gè)經(jīng)典測(cè)試函數(shù)進(jìn)行了實(shí)驗(yàn)分析，并與NSGA-Ⅱ算法進(jìn)行了比較。實(shí)驗(yàn)結(jié)果表明，本文方法收斂到問題的Pareto 前沿效果良好，獲得解的散布范圍廣，能有效保持所求得的Pareto最優(yōu)解的多樣性。 提出了一種新的基于群體適應(yīng)度方差自適應(yīng)二次變異的差分進(jìn)化算法。該算法在運(yùn)行過程中根據(jù)群體適應(yīng)度方差的大小，增加一種新的變異算子對(duì)最優(yōu)個(gè)體和部分其它個(gè)體同時(shí)進(jìn)行變異操作，以提高種群多樣性，增強(qiáng)差分進(jìn)化算法跳出局部最優(yōu)解的能力。

5、對(duì)幾種典型Benchmarks函數(shù)進(jìn)行了測(cè)試，實(shí)驗(yàn)結(jié)果表明，該方法能有效避免早熟收斂，顯著提高算法的全局搜索能力。提出了將該改進(jìn)算法用來(lái)整定不完全微分PID控制器最優(yōu)或近似最優(yōu)參數(shù)的新方法。為克服頻域中常用的積分性能指標(biāo)如IAE，ISE和ITSE的不足，提出了一種新的時(shí)域性能指標(biāo)對(duì)控制器性能進(jìn)行測(cè)試和評(píng)價(jià)。用三個(gè)典型的控制系統(tǒng)對(duì)提出的ASMDE-PID控制器進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明，該方法實(shí)現(xiàn)容易，收斂性能穩(wěn)定，計(jì)算效率高。與ZN，GA

6、和ASA方法相比，DE在提高系統(tǒng)單位階躍響應(yīng)性能方面效率更高，魯棒性更強(qiáng)。 為了提高差分進(jìn)化算法的全局搜索能力和收斂速率，提出了一種雙群體偽并行差分進(jìn)化算法。該算法結(jié)合差分進(jìn)化算法DE/best/2/bin變異方式局部搜索能力強(qiáng)，收斂速度快，和DE/rand/1/bin變異方式全局搜索能力強(qiáng)，魯棒性好的特點(diǎn)，采用串行算法結(jié)構(gòu)實(shí)現(xiàn)并行差分進(jìn)化算法獨(dú)立進(jìn)化、信息交換的思想。為使初始化個(gè)體均勻分布在搜索空間，提高算法收斂到全局最優(yōu)解的

7、魯棒性，提出了一種基于平均熵的初始化策略。典型Benchmarks函數(shù)測(cè)試和非線性系統(tǒng)模型參數(shù)估計(jì)結(jié)果表明，該方法能顯著提高算法的收斂速率和全局搜索能力。 基本差分進(jìn)化算法的控制參數(shù)在進(jìn)化過程中是保持不變的，對(duì)于不同的優(yōu)化問題要確定合適的控制參數(shù)是件不容易的事。根據(jù)生成差分矢量的兩個(gè)不同個(gè)體矢量在搜索空間中的相對(duì)位置，對(duì)縮放因子F 提出了一種自適應(yīng)策略；根據(jù)目標(biāo)個(gè)體矢量的收斂情況，提出了一種自適應(yīng)交叉概率CR策略，使適應(yīng)度好的目