基于多邻域策略重心反向学习的差分进化算法

摘要：

针对标准差分进化(DE)算法探索能力差、难以逃出局部最优的问题,提出一种基于多邻域策略和邻域重心反向学习的差分进化算法(MCOBDE).该算法根据当前进化状态动态地选择不同的邻域策略:在算法前期大概率选择局部邻域策略,其采用的环形邻域结构有利于探索种群空间;在算法后期大概率选择全局邻域策略,其采用的星形邻域结构能加快算法收敛.同时在不同的邻域结构下辅以重心反向学习,能进一步扩大搜索范围,避免陷入局部最优.通过与其他DE算法针对15个CEC2015测试函数在低维和高维情况下的实验对比,证明本文算法具有较快的收敛速度和较高的收敛精度,能有效克服探索能力差、早熟收敛的缺点.

关键词：差分进化、邻域策略、邻域结构、邻域重心、反向学习、局部最优

所属期刊栏目：41

分类号：TP301.6;TP18(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61572381;武汉科技大学智能信息处理与实时工业系统湖北省重点实验室开放基金资助项目znxx2018QN06

在线出版日期：2018-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：232-240