基于多自适应算子的改进差分进化算法

差分进化(DE)算法是一种原理简单且性能优良的智能算法。因其涉及参数较少、计算结果精确性较高、鲁棒性较强,在实际应用中被广泛使用。但DE算法容易陷入局部最优解,且种群变异速度与结果依赖于变异和交叉参数设置。因此,文中提出一种自适应改进差分进化算法,通过控制初始化种群和自适应参数,有效提升了算法的寻优能力。将该算法在十一个测试函数上进行测试,并与四种具有代表性的算法(CLPSO、DE、jDE、SDE)进行比对,结果表明,该算法在问题求解准确度上具有优势,并显示出了较好的鲁棒性。

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。

差分进化算法参数控制与适应策略综述

差分进化算法逐渐成为进化计算领域最流行的随机搜索算法之一,已被成功用于求解各类应用问题.差分进化算法参数设置与其性能密切相关,因此算法参数控制与适应策略设计是目前该领域的研究热点之一,目前已涌现出大量参数控制方案,但尚缺乏系统性的综述与分析.首先简要介绍差分进化算法的基本原理与操作,然后将目前参数控制与适应策略分成基于经验的参数控制、参数随机化适应策略、基于统计学习的参数随机化适应策略和参数自适应策略4类进行系统性综述,重点介绍其中的参数适应与自适应策略.此外,为分析各种参数控制与适应策略的功效,以实值函数优化为问题背景设计了相关实验,进一步分析各种策略的效率与实用性,实验结果表明,参数自适应控制策略是目前该领域最有效的方法之一.

基于灰色关联分析与自适应混沌差分进化算法的激光熔覆工艺参数优化方法

多道搭接激光熔覆工艺具有复杂性与耦合性,熔覆层质量受到工艺参数的直接影响。为确定最佳的工艺参数,以45钢表面多道搭接激光熔覆M2合金粉末为例,针对工艺参数对熔覆层宽度、表面平整度和稀释率的影响,设计相应的中心复合实验;通过灰色关联分析(GRA)建立熔覆层质量综合评价度,将多目标优化问题转化为单目标,并采用响应面分析法建立其预测模型;为达到综合评价度最大,采用自适应混沌差分进化(ACDE)算法实现工艺参数寻优。实验结果表明了所提方法的有效性,采用优化后的工艺参数,可以获得理想的熔覆层宽度、表面平整度和稀释率,有助于提高熔覆层质量。

基于适应策略差分进化算法的化工反应动力学参数估值

为了更准确地通过煤烟气成分推测汞元素氧化程度,建立精确的汞氧化过程动力学模型至关重要。目前已有的汞氧化过程动力学模型中存在一些难以确定的未知参数,为了确定模型中这些参数的最优值,本文提出一种改进的适应策略差分进化算法(ASDE)。该算法引入变异策略、缩放因子(F)和交叉参数(CR)候选集合,同时为集合中每个候选参数赋予一定的选择概率。在进化搜索过程中,以历史成功搜索信息为基础,实时更新每个候选集合中各参数对应的选择概率,并根据选择概率自适应为下一时刻进化群体中每个个体分配变异策略和对应控制参数。将改进算法用于汞氧化过程动力学参数估值问题,实验结果显示,相对其他6种算法,改进算法ASDE求解得到模型更加接近实际,是一种求解化工反应动力学参数估值问题的有效方法。

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。

求解复杂约束优化问题的集成多策略差分进化算法

工程和科学领域中的优化问题常常具有大量的约束限制,称为约束优化问题.这类问题要求算法有能力在可行域中寻找问题的最优解.本文针对约束优化问题提出一种集成多策略的差分进化算法(Differential Evolution with Ensemble Multi-Strategies,EMSDE).首先,提出一种用于约束优化的参数自适应策略,利用归一化罚函数作为权重引导参数自适应地生成.其次,结合约束和动态罚函数法设计一种新的约束处理技术.最后,采用CEC2017约束优化基准函数来测试EMSDE和7种经典的约束优化算法.实验结果表明,相比7种经典的算法,EMSDE算法具有很强的竞争力.

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。

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。

基于自适应差分进化算法的堆石坝参数反演

基于参数自适应差分进化算法(ADE),提出了堆石坝本构模型参数的反演分析方法,可有效提高收敛速度和避免陷入局部最优;并采用具有强大非线性映射能力的BP神经网络模型来近似模拟计算堆石坝的应力应变,提高了反演过程的效率。最后,以某抽水蓄能电站堆石坝为例进行应用研究,通过比较设计工况和反演工况下计算沉降值与实际沉降值之间的误差,验证了所提方法的有效性和可靠性,可为后续客观评价堆石坝安全性提供基础。

基于参数自适应动态差分进化算法的变压器局放源定位

针对变压器局部放电超声定位中混合优化算法存在的寻优参数较多及寻优过程较为复杂等不足,提出了一种基于PADDE(参数自适应动态差分进化)算法的变压器局放源定位方法。在种群的变异及交叉过程中,结合适应度函数自适应地对传统DE(差分进化)算法参数进行选择,并动态地对当前种群进行更新,从而有效提高了寻优性能,并加快了收敛速率。通过Benchmark标准测试函数和实际变压器局部放电超声定位对该方法的有效性和可行性进行验证,结果表明:相比于传统的DE算法,PADDE算法寻优能力更强,得到的定位结果更加精确,定位误差始终保持较小的数值。

基于分解的自适应差分进化识别光伏模型参数

为了快速、准确和可靠地识别不同环境条件下光伏模型参数,提出了一种基于分解的改进自适应差分进化(improved adaptive differential evolution with decomposition,IADE-D)算法。在IADE-D中,首先提出了一种未知参数分解技术来降低问题的维度,减少问题的复杂性。然后提出一种改进自适应差分进化算法用于求解分解后的未知参数。为了验证所提算法的有效性,将其用于一种基于单二极管的光伏面板模型参数识别。仿真结果表明,与现有先进算法相比,IADE-D算法在准确性和可靠性上更具有竞争力。因此,可以考虑将IADE-D作为一种有效的光伏模型参数识别方法。

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。

使用参数自适应差分进化算法合成和优化实用系统（英文）

Synthesis and optimization of utility system usually involve grassroots design, retrofitting and operation optimization, which should be considered in modeling process. This paper presents a general method for synthesis and optimization of a utility system. In this method, superstructure based mathematical model is established, in which different modeling methods are chosen based on the application. A binary code based parameter adaptive differential evolution algorithm is used to obtain the optimal con figuration and operation conditions of the system. The evolution algorithm and models are interactively used in the calculation, which ensures the feasibility of con figuration and improves computational ef ficiency. The capability and effectiveness of the proposed approach are demonstrated by three typical case studies.