基于差分演化和克隆选择机制的优化算法

发布于:2021-06-24 00:19:34

50 2013, 49 (10) Computer Engineering and Applications 计算机工程与应用 基于差分演化和克隆选择机制的优化算法 杨格兰 1, 金辉霞 2, 朱幸辉 3 YANG Gelan1, JIN Huixia2, ZHU Xinghui3 1.湖南城市学院 计算机科学系, 湖南 益阳 413000 2.湖南城市学院 物理与电信工程系, 湖南 益阳 413000 3.湖南农业大学 信息科学工程学院, 长沙 410128 1.Department of Computer Science, Hunan City University, Yiyang, Hunan 413000, China 2.Department of Physics and Telecom Engineering, Hunan City University, Yiyang, Hunan 413000, China 3.Institute of Information Engineering, Hunan Agricultural University, Changsha 410128, China YANG Gelan, JIN Huixia, ZHU Xinghui. Optimization algorithm based on differential evolution and clonal selection mechanism. Computer Engineering and Applications, 2013, 49 (10) : 50-52. Abstract:To further avoid the problem of premature convergence and search stolidity in the process of resolving function optimization, a differential evolution clonal selection algorithm based on the clonal selection theory is proposed which can enhance the operating efficiency and the convergence rate of the differential evolution algorithm and then can both select the best individual and guarantee the population diversity. The simulation experimental results show that the result of the multiple hump function is accurate and the convergence speed is fast. Key words: numerical optimization; premature convergence; differential evolution; clonal selection algorithm 摘 要: 为了解决函数优化过程中的 “早熟收敛” 和 “搜索迟钝” 问题, 将差分演化算法与克隆选择算法进行了结合, 提出了 一种新的差分演化克隆选择算法。该算法将克隆选择操作引入到差分演化算法中, 达到了既能够选出最好个体又能够保 证种群多样性的效果。实验结果表明该算法在多峰值函数优化问题中, 具有求解精度较高, 收敛速度较快等优点。 关键词: 函数优化; 早熟收敛; 差分演化算法; 克隆选择算法 文献标志码: A 中图分类号: TP301 doi: 10.3778/j.issn.1002-8331.1203-0115 1 引言 在实际工程优化中, 很多问题都可转化为带一定约束 [1] 研究新热点。 人工免疫系统是基于生物免疫系统特性而发展的新 兴智能系统 [4]。本文利用免疫系统的克隆选择机制和差分 演化算法较强的全局收敛性, 提出了一种用于函数优化 的 差分演化克隆选择算法 (Differential Evolution Clonal Selection Algorithm , DECSA) , 其主要特点是采用克隆和 差分变异等操作, 提高收敛速度和维持种群多样性, 达到 了既能够选出最好个体又能够保证种群多样性的效果。 实验结果表明该算法在多峰值函数优化问题中, 具有求解 精度较高, 收敛速度较快等优点。 条件的函数优化问题 。因此, *几年来对含有复杂约束 条件的函数优化问题的求解受到了国内外学者们的广泛 关注。在函数优化问题中, 对于高维、 非凸、 且有多个局部 极值点的函数优化问题, 传统的优化算法通常不能求得理 想解[2]。*年来, 人们从生物进化的机理和自然界的各种现 象或过程中所获灵感的启发, 提出了许多用以解决复杂优 化问题的新方法, 因其高效的优化性能、 无需问题特殊信 息等优点, 受到各领域广泛的关注和应用 。研究诸多的有 差分进化 (Differential Evolution, DE) 算法, 蚁群优化 (Ant Colony Optimization, AGO) 算法, 人工鱼群算法 (Artificial Fish School Algorithm, AFSA) , 粒子群优化 (Particle Swarm Optimization, PSO) 算法, 遗传算法 (Genetic Algorithm, GA) 等。目前, 这些新型启发式智能计算方法由于具有区别于 常规算法的搜索机制和特点, 它们已成为智能计算领域的 [3] 2 差分演化算法 差分演化算法 (Differential Evolution, DE) 是由 Rainer Storn 和 Kenneth

相关推荐

最新更新

猜你喜欢