MapReduce模型下的分布式差分进化算法

差分进化算法简单、高效且鲁棒性好.然而在求解大规模优化问题时,其性能随着问题维度的增加会迅速降低.针对此问题,提出一种基于MapReduce编程模型的分布式差分进化算法.算法采用改进的精英学习策略和岛模型两种机制,提高算法的收敛精度.利用MapReduce并行编程模型,构建分布式差分进化算法,并将其部署到分布式集群Hadoop上.利用13个标准测试问题进行仿真实验,实验结果表明该算法求解精度高,且具有较好的加速比和扩展性,是求解大规模优化问题的有效方法.

参数适应性分布式差分进化算法

提出一种适应性分布式差分进化算法.将初始种群分为多个子种群,并设计子种群间的迁移机制,当满足迁移条件时,根据冯?诺依曼拓扑结构,子种群内的优秀个体代替其邻域的较差个体,使得整个种群实现信息共享.同时,根据个体适应值变化情况,对每一个体分配不同的缩放因子?和交叉率CR,提出?和CR的适应性策略.实验结果表明,所提出算法有利于对解空间进行广泛探索,避免算法陷入早熟收敛,能够搜索到性能较好的解.

混合模式搜索的分布式memetic差分进化算法

针对差分进化(DE)算法存在的早熟收敛与搜索停滞的问题,提出memetic分布式差分进化(DDE)算法。将memetic算法的思想融入到差分进化算法中,采用分布式的种群结构以及memetic算法中的混合策略,前者将初始种群分为多个子种群,子种群间根据冯·诺依曼拓扑结构周期性地实现信息交流,后者将差分进化算法作为进化的主要框架,模式搜索作为辅助手段,从而平衡算法的探索与开发能力。所提算法充分利用了模式搜索和差分进化算法的优势,建立了有效的搜索机制,增强了算法摆脱局部最优的能力,能够满足搜索过程对种群多样性及收敛速度的需求。将所提算法与几种先进的差分进化算法相比较,对标准测试函数进行优化的实验结果显示:所提算法在解的质量和收敛性能方面,均优于其他几种相比较的先进的差分进化算法。