基于自适应多变异的差分进化算法与应用

标准差分进化算法(DE)存在局部搜索能力弱、参数敏感性高等缺点,为了提升算法的性能,设计了一种基于自适应多变异的差分进化算法(AMVDE),该算法首先在种群初始化阶段使用反向学习策略提升个体的质量,然后通过多种变异策略和自适应控制参数增加算法的探索性和鲁棒性。最后将AMVDE算法应用于解决生物信息学中超复杂度的蛋白质结构预测问题,验证了算法的有效性和可靠性。

参数自适应的精英变异差分进化算法

针对经典差分进化算法(DE)的优化性能容易受到变异策略和控制参数影响的问题,提出了一种参数自适应的精英变异差分进化算法(A parameter Adaptive Elite Mutation Eifferential Evolution algorithm,AMEDE).首先,提出一种精英变异策略的方法,其目的是为了方便获取优秀个体信息;其次,引入新的控制参数,使得算法可以在更大的搜索空间进行搜索;最后,利用自适应参数学习方法,为种群中的每个个体赋予不同的控制参数值,并根据种群多样性和精英个体的信息动态更新个体的参数,使算法避免过早的收敛并提高算法的收敛精度.对本文提出的AMEDE算法与其他6种改进差分进化算法(DE,CoDE,JaDE,JDE,SaDE,GPDE)在16个基准测试函数上进行了三组对比实验.实验结果表明,AMEDE算法在高维函数和低维函数上都具有搜索精度高、收敛速度快和鲁棒性强等优点.

参数适应性组合差分进化算法

针对传统差分进化算法在进化后期容易出现早熟现象的问题,提出一种组合差分进化(Combined Differential Evolution,CDE)算法。该算法将多个变异策略组合,实现优势互补,并利用柯西分布适应性调整缩放因子,在维持种群多样性的同时加快收敛速度。为测试算法性能,利用12个基准测试函数将本文算法与传统差分进化算法比较。结果表明,本文算法具有较强的寻优能力。

自适应变异差分进化算法估计软测量参数

提出一种自适应变异差分进化算法(ADE),能根据搜索进展情况自适应地确定变异率,使算法在初期保持个体的多样性,避免早熟:在后期逐步降低变异率,保留优良信息,避免最优解遭到破坏,增加搜索到全局最优值的概率．与传统的差分进化算法(DE)相比较,ADE算法的离线性能和在线性能都有较大的改进,搜索到全局最优解的概率获得较大提高,对算法参数的敏感性低．本文将ADE算法应用于对苯二甲酸中对羧基苯甲醛含量软测量模型的参数估计,获得了满意的结果．

自适应差分进化算法及其在参数估计中的应用

为解决动力学参数估计的问题,提出一种控制参数自适应和策略自适应的差分进化算法(DE-CPASA)。在该算法中,采用差分进化对优化问题进行寻优,控制参数以正态分布的方式实现自适应,通过对适应度函数值的评价,实现变异策略的自适应。测试仿真结果表明,DE-CPASA算法具有较高的求解精度和较快的收敛速度。将DE-CPASA算法应用于Hg氧化动力学参数估计,可得到较好的优化结果。

基于新自适应差分进化算法的Magic Formula轮胎模型参数辨识方法

针对传统差分进化法固定的控制参数设置与进化策略难以适应复杂多变的问题的状况,提出一种新的自适应差分进化方法,并将其应用于魔术公式(Magic formula,MF)轮胎模型的参数辨识中以解决其参数辨识难的问题。该方法结合基于成功进化个体的控制参数选择策略以及基于双审判矢量的进化策略,实现控制参数的有效自适应。通过对纯侧偏工况下轮胎数据的侧向力和回正力矩参数辨识,证明该方法比另外两种先进的自适应差分进化算法IOA和SspDE具备更好的全局优化与快速收敛能力,也比传统的数值优化Levenberg-Marquardt方法识别精度更高,是辨识MF轮胎模型参数的一种有效手段。

基于自适应差分进化算法的水稻物候期预测模型参数自动校正

进化算法在作物模型参数校准领域已有广泛应用。由于作物模型的结构包括多组常微分方程,具有非线性、不连续、多峰值特点,因此针对作物模型特点选择合适的进化算法尤为重要。同时,进化算法自身参数对算法性能有较大影响,这些参数选择往往靠经验得出,增加了优化算法在模型参数校准过程中的不确定性。该文针对进化算法应用到作物物候期模型参数校准过程中存在着算法选择和算法参数不确定性问题,以水稻Rice Grow物候期模型为应用对象,分析比较了3类进化算法应用的精度、收敛速度以及稳定鲁棒性。比较的进化算法包括差分进化系列算法(标准差分进化算法和自适应控制参数改进差分进化算法),协同进化遗传算法系列(个体优势遗传算法、M-精英协同进化算法)以及粒子群算法系列(标准粒子群算法、基于自主学习和精英群的多子群粒子群算法)。研究利用武育粳、雪花粘等5个品种在江苏宜兴、兴化和广东高要等不同生态点的多年田间试验资料展开量化分析。结果表明:1)利用自适应控制参数改进差分进化算法校准水稻物候期模型的品种参数准确性较高,算法自身参数易于确定。物候期模型校准以后在拔节期、抽穗期、成熟期的RMSE为1.7～4.6 d、NRMSE为1.8%～5.8%、MAD为1.4～3.3 d、R2为0.977～0.997,比GA系列平均分别小0.634d、0.608%、0.453d、0.09%,比PSO系列平均小1.399d、1.35%、1.039 d、0.23%。2)自适应控制参数改进差分进化算法在水稻物候期模型参数校准问题上表现出良好的收敛速度及稳定鲁棒性。重复校准试验100次的目标函数标准偏差趋近于0,每次校准得到的品种参数值标准偏差较其他算法最小。在达到同样精准度的情况下,比标准差分算法收敛速度平均快117代,适用于实际应用实践。

差分进化算法中参数自适应选择策略研究

参数选择本身是一个组合优化问题,尽管过去提出了很多方法,但是参数选择依然令人困惑,为此提出适用于差分进化算法的参数自适应选择策略。该策略在进化的过程中动态评估参数的性能,并根据其结果指导下一次迭代过程的参数选择。从参数库的建立、参数评分机制和参数配置机制3方面展开研究,对比实验结果表明,该方法效果良好。

基于适应度函数和染色体信息量排序的高光谱影像特征选择方法

针对高光谱遥感影像数据中存在较多冗余信息的问题,以染色体的信息量排序为基础,构建联合条件互信息和多元互信息的适应度函数,提高所选特征可以提供的信息量,将适应度函数作为差分进化算法的评价标准,通过最大化适应度函数获得最优特征子集,提出一种新型光谱特征选择算法,使用每条染色体中所选特征的信息量来计算相关性。实验结果表明:在16类地物中该算法在9类上分类准确度最高,说明将基于信息量的相关性的估算作为适应度函数与群体智能优化算法相结合能更好地应用于高光谱遥感影像的光谱特征选择。

自适应差分进化算法在光伏组件模型参数辨识中的应用

针对光伏组件模型参数辨识精度低和传统优化算法参数辨识过早收敛的问题,提出了基于自适应缩放因子和自适应交叉变异概率的差分进化算法对两种常用太阳能电池单元模型进行参数辨识,把辨识参数代入模型与实测数据进行拟合,用拟合效果好的一种太阳能电池单元模型作为光伏组件模型的基础,并用自适应差分进化算法对光伏组件模型的参数进行辨识,辨识结果的均方根误差为1.402e-2,辨识精度更高,全局收敛能力更强,并对辨识后的模型与实际测量数据进行拟合,其拟合相对误差是5.73e-4。计算电流平均绝对误差为2.11e-3,结果明显优于粒子群算法(POS),遗传算法(GA),模式搜索算法(PS),并在不同环境下验证了所提方法的有效性。这对光伏发电系统最大功率点跟踪控制和功率预测具有实际意义。

一种基于自适应差分进化算法的薄膜参数表征方法研究(特邀)

依据穆勒椭偏测量方法中偏振光的传输方式,文中提出了一种基于自适应差分进化算法(SADE)的各向同性纳米薄膜厚度与光学常数的表征方法。通过建立出射光强关于待测标准样片穆勒矩阵的最小二乘模型,用SADE算法对穆勒矩阵元素进行求解,并将拟合得到的穆勒光谱曲线与用双旋转补偿器穆勒矩阵椭偏仪(DRC-MME)测量得到的穆勒光谱图进行了比较,利用传输矩阵求解薄膜厚度。对标定值分别为(104.2±0.4) nm和(398.4±0.4) nm的SiO_(2)/Si标准样片进行仿真计算,实验表明:当分别迭代到80次和87次时,目标函数光强的残差平方和收敛到最小值0.97和1.01,得到的膜厚计算值分别是(103.8±0.6) nm和(397.8±0.6) nm,相对误差均小于1%。同时用计量型椭偏仪根据得到的折射率进行计算,得到膜厚的计算值分别为(104.1±0.6) nm和(398.2±0.6) nm,验证了SADE在相近收敛速度下对各向同性纳米薄膜参数求解过程中具有计算简单和可以准确的找到全局最优解的特点。

自适应差分进化算法在反求含水层参数中的应用

【目的】研究自适应差分进化算法在反求含水层参数中的适用性。【方法】以理论计算值与实际观测值的离差平方和的均值作为目标函数,应用自适应差分进化算法优化待估含水层参数;计算相关实例,对比改进直线图解法、混沌序列优化算法、简算法、泰斯配线法、线性回归法与自适应差分进化算法的最终优化结果。【结果】与改进直线图解法、混沌序列优化算法和简算法等计算方法相比,自适应差分进化算法的计算结果更加精确,与实际观测值的差异较小;对于不同的含水层参数取值范围,自适应差分进化算法较传统差分进化算法稳定且寻优率与计算结果精度更高。【结论】自适应差分进化算法是一种有效的反求含水层参数的方法。

一种自适应多策略差分进化算法及其应用

针对差分进化算法由于固定参数设置而易早熟或陷入局部最优的问题,提出了一种自适应多策略差分进化算法(SMDE)。该方法以基本差分进化为框架,首先引入一个变异策略候选集合,一个缩放因子候选集合和一个交叉参数候选集合,然后在搜索过程中,以过去的搜索信息为基础,自适应地为下一时刻进化群体中的每个个体从候选集合中选择一组合适的变异策略和控制参数,以便在不同的进化时刻设置合适的变异策略和控制参数。对10个常用的标准测试函数进行优化计算,并与其他算法的结果进行了比较,实验结果表明,SMDE具有较好的搜索精度和更快的收敛速度。将SMDE用于化工过程动态系统不确定参数估计问题,实验结果表明该算法能较好地处理实际工程优化问题。

改进变异策略的自适应差分进化算法及其应用

针对标准差分进化(Differential Evolution,DE)算法存在控制参数难以选取以及变异策略缺乏稳健性的不足,提出一种基于改进变异策略的自适应DE算法。该方法用随机选取子种群的最优个体替代全种群最优个体进行变异操作;然后采用柯西分布和正态分布分别对收缩因子和交叉概率进行扰动,并在进化过程中利用胜出个体自适应地递推调整参数分布。对五个典型Benchmark函数的测试结果表明:该方法在全局搜索能力、收敛速度和精度以及可靠性上比标准DE算法都有了大幅度提高。将该方法用于分布式孔径雷达的方向图综合问题,通过较少的仿真次数即可稳定的获得更低的旁瓣电平。

求解带有利用率惩罚背包问题的参数自适应差分进化算法

本文研究一类新型的背包问题,特征主要体现在目标函数不仅要最大化装载物品的价值,同时还包含关于背包利用率的凸型罚函数。首先分析该问题的线性松弛最优解性质,以揭示整数最优解的结构特征。为了有效求解该问题,设计了一种参数自适应差分进化算法。该算法中提出变异和交叉参数的自适应选择方法,在进化的过程中可以动态评估每组被选参数的性能,并用于指导下一个迭代过程的参数配置,从而避免了基本差分进化算法中参数选择的困难。实验结果显示提出的参数自适应差分进化算法性能显著优于基本差分进化算法,说明新算法在求解惩罚背包及类似问题上的有效性和稳定性。

基于自适应差分进化算法拟合圆的树干胸径测量方法

提出一种参数自适应的差分进化算法(Adaptive differential evolution,ADE)拟合圆的方法对树干胸径进行测量。采用实验室自制胸径测量平台采集树干胸径数据,对采集到的数据用K-means算法进行聚类,分割出背景与目标。为提高测量精度,采用角度补偿法对树干表面点到激光传感器中心的偏角进行补偿。对补偿后的数据,以激光传感器中心为坐标原点,计算出树干表面点横纵坐标。最后对树干表面坐标点采用自适应差分进化算法拟合圆,拟合过程中,差分进化过程的种群数、进化策略、变异尺度以及交叉概率随着进化过程自适应变化。分别对校园内与人工林地各40棵不同大小的树进行了测量与拟合,其拟合时间为1.41 s,拟合结果与实际值比较分析,RMSE分别为4.996 mm与4.500 mm。并与Levenberg-Marquardt(LM)算法、粒子群优化算法(Particle swarm optimization,PSO)以及Hough变换拟合圆法测量树干胸径进行了分析与比较,实验结果表明所提方法能更有效准确地测量出树干胸径。

应用自适应差分进化算法优化测试数据研究

针对自适应差分进化算法在进化后期种群多样性减少和搜索精度低的问题,本文提出一种基于质心的自适应差分进化算法,并将该算法应用于自动生成软件测试数据.本文算法通过自动调节缩放因子的方式提高种群多样性,避免种群在进化过程中个体过于集中而陷入局部最优;同时,采用基于质心原理的策略来选择用于变异的个体,进而保证种群向最优值方向进化,总体上加快种群的收敛速度.本文首次将自适应差分进化算法用于软件测试数据的产生,并与传统软件测试数据产生的算法进行了比较,实验表明本文算法能够有效地提高自动产生测试数据的效率和性能.

基于模糊自适应差分进化算法的机器人手臂运动控制研究

现实应用中机器人机械手需要精确的运动控制来操作目标,针对机械手运动的高度非线性和复杂的运动模型,提出了一种基于模糊自适应差分进化(FADE)算法的机器人手臂运动控制方案。利用进化过程来获取运动模型的最优解,利用模糊逻辑控制器自适应调节突变因子(F)和交叉率(CR),避免进化过程过早收敛陷入局部最优解。以CRS A456机械手为实验对象,实验结果表明,与最小二乘法和传统差分进化方法相比,FADE方案具有最优的估计性能。

动态目标搜索中自适应参数差分进化算法仿真

为了准确、高效地完成动态目标的搜索,需要对动态目标搜索方法进行研究。采用当前方法对动态目标进行搜索时,不能有效的去除运动过程中动态目标背景存在的噪声,且搜索动态目标所用的时间较长,存在搜索效率低和准确率低的问题。在自适应参数差分进化算法的基础上提出一种动态目标搜索方法,根据动态目标运动矢量计算子图像块的最小平均绝对差值,对动态目标背景进行补偿。采用自适应参数差分进化算法初始化种群、设置参数,根据调整后的变异率和交叉率对种群进行变异操作和交叉操作,最后对种群进行选择操作,通过设置终止条件输出得到动态目标的搜索结果,完成动态目标的搜索。仿真结果表明,所提方法的搜索效率高、准确率高。

确定各向异性含水层参数的混沌自适应差分进化算法

利用抽水试验数据和泰斯公式,将混沌自适应差分进化算法(CADE)应用于确定异性含水层参数的计算中。计算表明,CADE算法估计的参数值稳定且可靠,是一种有效的求解各向异性含水层参数的方法。