一種新型的差分進化算法制造技術

本發明專利技術涉及科學和工程的技術領域，更具體地，涉及一種新型的差分進化算法。本發明專利技術提出了一種新型的差分進化算法，由于后代直接由優秀的父代產生提高了進化算法的局部搜索能力，通過對子代進化中心點的方向的控制，避免了差分算法的早熟收斂問題，并且通過本發明專利技術有效的改進了遺傳算法的收斂速度。

A New Differential Evolution Algorithms

The invention relates to the technical field of science and engineering, and more specifically to a novel differential evolution algorithm. The invention proposes a new differential evolution algorithm, which improves the local search ability of the evolutionary algorithm because the offspring are generated directly by the excellent parent. By controlling the direction of the offspring evolutionary center, the premature convergence problem of the differential algorithm is avoided, and the convergence speed of the genetic algorithm is effectively improved by the invention.

【技術實現步驟摘要】
一種新型的差分進化算法
本專利技術涉及科學和工程的
，更具體地，涉及一種新型的差分進化算法。
技術介紹
傳統遺傳算法通過模擬生物的交叉變異來產生新解，這種方式帶有一定的隨機性，不一定能收斂到全局最優，并且搜索速率較低。差分進化算法是一種高效的啟發式并行搜索技術，但是，標準的差分進化算法容易造成種群個體早熟收斂問題。進化算法是基于自然進化過程基本計算模型的一系列搜索技術,在函數優化、模式識別、機器學習、神經網絡訓練、智能控制等眾多領域都有著廣泛的應用。進化算法(EvolutionaryAlgorithm，縮寫為EA)的實現過程其實就是模擬生物的進化過程，它將對問題的求解類比為生物基因的適者生存的過程，通過不斷的進化，最終得到最適合環境的個體，也即獲得相應問題的最優解。進化算法在最初研究中，主要包括遺傳算法(GeneticAlgorithm，縮寫為GA)、進化策略(EvolutionStrategy，縮寫為ES)和進化規劃(EvolutionProgramming，縮寫為EP)。之后，在遺傳算法的基礎上又發展了差分進化(DifferentialEvolution，縮寫為DE)。遺傳算法的主要思想是將問題所獲得解類比為生物個體基因中的染色體，然后模仿基因進化過程中的遺傳操作，在一定條件下不斷地迭代繁殖，最后獲得對應問題的最優解的個體。遺傳算法使用的編碼方式主要是二進制編碼，二進制編碼是一組包含0和1的序列。遺傳算法使用選擇算子來對個體進行優勝略汰，經典的選擇方法包括輪盤賭方法，精英個體保留策略，錦標賽選擇方法，排序選擇方法。差分進化DE是一種基于種群差異的進化算法，具體實現為：對于具有d維優化問題，首先生成具有n個解向量的種群。我們有xi，其中i＝1,2,...,n。對第t代的解xi，我們使用常規符號記為：其由d維空間中的d分量組成。這種向量可以被認為是染色體或基因組。差分進化包括三個主要步驟：變異、交叉和選擇。變異過程：具體變異操作的數學表達式為：其中F∈(0，1)耀是一個參數，通常稱為差分權重，和為隨機選取的解向量。交叉過程：交叉由交叉參數Cr控制，控制交叉的速率或概率。二項式交叉方案中，對d維向量的d個分量都進行交叉。通過生成服從0～1均勻分布的隨機數r，比較r與交叉參數Cr的大小來確定某個分量是否變異。如果r比交叉參數Cr小，則該分量取新的變異值，否則，不變。最后通過變異和交叉后，生成新個體選取和中更合適的個體作為新的后代上述過程是標準版本的DE。簡要評價：遺傳算法有效的保存了種群的多樣性，具有良好的全局搜索能力，不會陷入局部最優解的快速下降陷阱。差分進化算法新群體直接由父群體生成，具有記憶個體最優解和種群內信息共享的特點，是具有保優思想的貪婪遺傳算法，能有效的提高進化算法的收斂性和搜索速率。遺傳算法的局部搜索能力較差，導致單純的遺傳算法比較費時，在進化后期搜索效率較低。并且在實際應用中，遺傳算法容易產生早熟收斂的問題。差分進化算法由于后代直接從父代產生，隨著進化代數的增加，個體間的差異會逐漸降低，從而導致過早收斂到局部極值附近，形成早熟收斂現象。
技術實現思路
本專利技術為克服上述現有技術所述的至少一種缺陷，提供一種新型的差分進化算法，提高了進化算法的局部搜索能力，以及避免了差分算法的早熟收斂問題。本專利技術的技術方案是：一種新型的差分進化算法，其中，包括以下步驟：S1.隨機生成初始種群規模為N的種群P，輸出種群P；S2.對輸入種群命名為P，對種群P進行差分進化操作，產生種群規模為N的新種群Q，P與Q結合為種群規模為2N的新種群R，輸出種群R；S3.對輸入種群命名為R，對R中的個體根據適應度進行篩選，選出適合的N個優質個體，生成并輸出子代種群；S4.對輸入的子代種群返回步驟S2循環操作，直到達到進化算法的終止條件，輸出具有最優適應度的個體。與現有技術相比，有益效果是：本專利技術提出了一種新型的差分進化算法，由于后代直接由優秀的父代產生提高了進化算法的局部搜索能力，通過對子代進化中心點的方向的控制，避免了差分算法的早熟收斂問題，并且通過本專利技術有效的改進了遺傳算法的收斂速度。附圖說明圖1是本專利技術整體算法示意圖。圖2是本專利技術其中差分進化的示意圖。圖3是本專利技術對比實驗結果圖。具體實施方式附圖僅用于示例性說明，不能理解為對本專利的限制；為了更好說明本實施例，附圖某些部件會有省略、放大或縮小，并不代表實際產品的尺寸；對于本領域技術人員來說，附圖中某些公知結構及其說明可能省略是可以理解的。附圖中描述位置關系僅用于示例性說明，不能理解為對本專利的限制。如圖1所示，一種新型的差分進化算法，其中，包括以下步驟：S1.隨機生成初始種群規模為N的種群P，輸出種群P；S2.對輸入種群命名為P，對種群P進行差分進化操作，產生種群規模為N的新種群Q，P與Q結合為種群規模為2N的新種群R，輸出種群R；S3.對輸入種群命名為R，對R中的個體根據適應度進行篩選，選出適合的N個優質個體，生成并輸出子代種群；S4.對輸入的子代種群返回步驟S2循環操作，直到達到進化算法的終止條件，輸出具有最優適應度的個體。其中差分進化操作如下：對于前兩代新生產個體，為保存生物的多樣性，使用傳統的遺傳算法生成新群體Q，此后代數中的群體Q用如下方式生成：變異：(1)對上一代選出的優良個體進行非支配排序，均分成三等份，得到由優到劣的三個集合：R1、R2和R3；(2)根據k-均值聚類算法生成R1和R2集合的k個中心點，分別為c1、c2...ck；(3)最后根據公式生成變異個體u′i，其中ui是種群P的R3集合的一個隨機個體，F∈(0，1)為差分權重，Cg-1為第g-1代的均值中心，ci為聚類中心點，屬于第g代的{c1、c2...ck}集合；交叉：交叉由交叉參數Cr控制，控制交叉的速率或概率；二項式交叉方案中，對d維向量的d個分量都進行交叉；通過生成服從0～1均勻分布的隨機數r，比較r與交叉參數Cr的大小來確定某個分量是否變異；如果r比交叉參數Cr小，則該分量取新的變異值，否則，不變；選擇：最后通過變異和交叉后，生成新個體選取和中更合適的個體作為新的后代如圖2所示為其中差分進化的圖示，圖中A、B兩點分別為第一代與第二代的中心點，C點為在第三代中得到的k個聚類點之一，所需向量vep的如圖所示。如圖3為在問題集IMMOEA_F1上，目標數為3，種群規模為100時，分別使用本專利算法、EAreal所得到實驗結果圖。顯然，本專利技術的上述實施例僅僅是為清楚地說明本專利技術所作的舉例，而并非是對本專利技術的實施方式的限定。對于所屬領域的普通技術人員來說，在上述說明的基礎上還可以做出其它不同形式的變化或變動。這里無需也無法對所有的實施方式予以窮舉。凡在本專利技術的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本專利技術權利要求的保護范圍之內。本文檔來自技高網...

【技術保護點】
1.一種新型的差分進化算法，其特征在于，包括以下步驟：S1.隨機生成初始種群規模為N的種群P，輸出種群P；S2.對輸入種群命名為P，對種群P進行差分進化操作，產生種群規模為N的新種群Q，P與Q結合為種群規模為2N的新種群R，輸出種群R；S3.對輸入種群命名為R，對R中的個體根據適應度進行篩選，選出適合的N個優質個體，生成并輸出子代種群；S4.對輸入的子代種群返回步驟S2循環操作，直到達到進化算法的終止條件，輸出具有最優適應度的個體。

【技術特征摘要】
1.一種新型的差分進化算法，其特征在于，包括以下步驟：S1.隨機生成初始種群規模為N的種群P，輸出種群P；S2.對輸入種群命名為P，對種群P進行差分進化操作，產生種群規模為N的新種群Q，P與Q結合為種群規模為2N的新種群R，輸出種群R；S3.對輸入種群命名為R，對R中的個體根據適應度進行篩選，選出適合的N個優質個體，生成并輸出子代種群；S4.對輸入的子代種群返回步驟S2循環操作，直到達到進化算法的終止條件，輸出具有最優適應度的個體。2.根據權利要求1所述的一種新型的差分進化算法，其特征在于，其中差分進化操作如下：對于前兩代新生產個體，為保存生物的多樣性，使用傳統的遺傳算法生成新群體Q，此后代數中的群體Q用如下方式生成：變異：(1)對上一代選出的優良個體進行非...

【專利技術屬性】
技術研發人員：周育人，鄧瑤，
申請(專利權)人：中山大學，
類型：發明
國別省市：廣東,44