自适应二次变异的改进差分进化算法及其应用制造技术

自适应二次变异的改进差分进化算法，包括，在算法计算过程中，记录最优适应值连续不更新的代数，达到规定阈值时，利用带柯西分布的当代种群最优解对种群进行二次变异，二次变异采用带有全局最优解和柯西分布的策略，使算法及时跳出停滞状态并控制算法的进化方向向最优解靠近。本发明专利技术的自适应二次变异的改进差分进化算法记录最优适应值连续不更新代数，达到阈值时利用带柯西分布的当代种群最优解进行二次变异，既能使算法及时跳出停滞状态，又能控制算法的进化方向向最优解靠近，通过多变异策略，动态地控制算法的收敛性能，提升了算法的收敛速度，应用于电力系统经济调度复杂问题时，相比其他改进方法，可得到更经济的结果。

Improved Differential Evolution with Adaptive Quadratic Variation and Its Application

【技术实现步骤摘要】
自适应二次变异的改进差分进化算法及其应用
本专利技术涉及智能算法，具体涉及自适应二次变异的改进差分进化算法及其应用。
技术介绍
差分进化(DifferentialEvolution，DE)算法是一种基于群体差异的随机搜索算法，其原理与遗传算法类似，但不包括编码和解码，受控参数少，因此简单易用，同时具有强大的鲁棒性和全局寻优能力，在约束优化、电力系统调度等领域得到广泛运用。与常用进化算法类似，DE算法也存在容易陷入局部最优解和过早收敛的问题，因此，学者们对DE算法进行不同方面的改进，以提高算法收敛精度并跳出局部最优。改进方法大致分为以下几类：一是控制参数的改进，主要涉及种群规模、变异策略、交叉策略等。二是种群结构的改变，如种群重构、多种群差分。三是与其他算法混合使用，结合不同算法的寻优思想对DE进行改进。目前人们对差分进化算法改进的研究很多，但是这些研究仍然存在着适用性不够普遍，不适用于复杂凸函数，未能结合算法应用进行研究等问题。因此，有必要对差分进化算法及其应用做进一步研究，提升算法的优化性能。
技术实现思路
本专利技术的目的是提供一种自适应二次变异的改进差分进化算法，以提升差分进化算法的收敛精度和收敛速度。为实现上述专利技术目的，本专利技术的技术方案具体如下：自适应二次变异的改进差分进化算法，包括在算法计算过程中，记录最优适应值连续不更新的代数，达到规定阈值时，利用带柯西分布的当代种群最优解对种群进行二次变异，二次变异采用带有全局最优解和柯西分布的策略，使算法及时跳出停滞状态并控制算法的进化方向向最优解靠近。进一步的，采用多变异策略作为变异策略，加入动态调节因子平衡不同变异策略的权重。进一步的，选择策略中在反向解个体与试验个体间选择，增加算法去的全局最优解的可能性。进一步的，加入自适应参数控制，初始阶段随机产生变异因子和交叉概率，在随后的算法计算过程中保留优秀的变异因子和交叉概率。本专利技术还提供了上述自适应二次变异的改进差分进化算法在电力系统调度中的应用。与现有技术相比，本专利技术的有益效果：本专利技术的自适应二次变异的改进差分进化算法记录最优适应值连续不更新代数，达到阈值时利用带柯西分布的当代种群最优解进行二次变异，既能使算法及时跳出停滞状态，又能控制算法的进化方向向最优解靠近；通过多变异策略，动态地控制算法的收敛性能，提升了算法的收敛速度；应用于电力系统经济调度复杂问题时，相比其他改进方法，可得到更经济的结果。附图说明图1是本专利技术实施例的改进算法流程图。具体实施方式：下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。实施例1图1所示为本实施例的在传统差分进化算法的基础上进行改进流程，包括以下步骤：a.在差分算法进化的开始阶段，应当保证种群的多样性。DE/rand/1具有较大的寻优范围，它有利于全局搜索，故适用于算法初期。而到了算法进化中后期，因为前期已经做好了全范围的搜索，此时应重点关注最优个体及其附近区域，DE/currentto-best/1寻优速度较快，它有利于局部的精确搜索，故适用于算法进化后期。针对各种策略在各阶段发挥的不同作用，将DE/rand/1与DE/currentto-best/1相结合，加入动态变异算子平衡两种策略的权重，充分发挥两种变异策略的优势。b.针对差分进化算法的早熟问题，为增强算法跳出局部最优的能力，本实施例通过记录算法进化过程中适应值连续不更新的次数来自适应地进行二次变异，及时检测算法的停滞状况。设定一个停滞代数最大值，当最优适应值连续代不更新时，认为之后的算法进化是无用的停滞迭代，采用二次变异策略打破停滞，并提供更好的进化方向。c.二次变异策略中利用全局最优信息和柯西分布，决定算法跳出局部最优的方向和步长。相比于正态分布，柯西分布降低了取值为0的概率，加大了取除0以外其他值的概率。柯西分布加大了算法的寻优范围。d.为进一步加大算法的寻优范围，加入反向学习策略，可以增加算法解的多样性，增加在搜索过程中找到全局优解的机会，并加快算法收敛速度。选择策略中，在交叉后得到的试验个体与反向解之间进行选择。e.传统的差分进化算法的控制参数为固定值，因为缩放因子F和交叉概率CR直接影响下一代群体的搜索方向和搜索范围，所以为适应算法在进化的各阶段中对控制参数的不同要求，如算法多样性、鲁棒性等，渐渐产生了参数自适应的DE进化算法。参数自适应使得算法能够在进化的不同时间段内，根据自身种群的分布情况与适应值之间的相对位置关系，改变自身的搜索范围与搜索方向，以增强整个算法的寻优性能。参数F和CR通常取0～1以内的值。f.考虑将产生优秀个体的参数值保留，将产生淘汰个体的参数值重新设定，根据个体适应值来决定是否将参数值保留至下一代。实施例2以38台火电机组为例。负荷PD＝6000，各机组发电功率最小值xmin＝[220,220,200,200,200,200,200,200,114,114,114,114,110,90,82,120,65,65,65,120,120,110,80,10,60,55,35,20,20,20,20,20,25,18,8,25,20,20]；各机组发电功率最大值xmax＝[550,550,500,500,500,500,500,500,500,500,500,500,500,365,365,325,315,315,315,272,272,260,190,150,125,110,75,70,70,70,70,60,60,60,60,60,38,38]；参数设置如下c＝[64782,64782,64670,64670,64670,64670,64670,64670,172832,172832,176003,173028,91340,63440,65468,77282,190928,285372,271676,39197,45576,28770,36902,105510,22233,30953,17044,81079,124767,121915,120780,104441,83224,111281,64142,103519,13547,13518]；b＝[796.9796.9795.5795.5795.5795.5795.5795.5915.7915.7884.2884.21250.11298.61298.61290.8238.11149.51269.1696.1660.2803.2818.233.5805.4707.1833.62188.71024.4837.11305.2716.61633.9969.62625.81633.9694.7655.9]；a＝[0.31330.31330.31270.31270.31270.31270.31270.31270.70750.70750.75150.70830.42110.51450.56910.56912.58813.87343.68420.49210.57280.35720.941552.1231.14212.02753.074416本文档来自技高网...

【技术保护点】
1.自适应二次变异的改进差分进化算法，其特征在于，包括：在算法计算过程中，记录最优适应值连续不更新的代数，达到规定阈值时，利用带柯西分布的当代种群最优解对种群进行二次变异，二次变异采用带有全局最优解和柯西分布的策略，使算法及时跳出停滞状态并控制算法的进化方向向最优解靠近。

【技术特征摘要】
1.自适应二次变异的改进差分进化算法，其特征在于，包括：在算法计算过程中，记录最优适应值连续不更新的代数，达到规定阈值时，利用带柯西分布的当代种群最优解对种群进行二次变异，二次变异采用带有全局最优解和柯西分布的策略，使算法及时跳出停滞状态并控制算法的进化方向向最优解靠近。2.根据权利要求1所述的自适应二次变异的改进差分进化算法，其特征在于，采用多变异策略作为变异策略，加入动态调节因子平衡不同变异策略的权...

【专利技术属性】
技术研发人员：胡福年，吕璐，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：江苏,32