本发明专利技术公开了一种控制参数自适应和策略自适应的差分进化算法，本发明专利技术通过13个100维标准测试函数的仿真测试和在实际优化问题的应用均表明，该算法具有较强的全局搜优性能和较快的收敛速率，并能较好的避免很多传统的智能优化算法存在的“早熟“现象。不仅实现了控制参数的自适应，而且对变异策略的选择也实现自适应。测试仿真结果表明，DE‑CPASA算法具有更高的求解精度和较快的收敛速度。最后，将DE‑CPASA算法应用于Hg氧化动力学参数估计，得到了较好的优化结果。
【技术实现步骤摘要】
本专利技术涉及控制算法领域，尤其涉及一种控制参数自适应和策略自适应的差分进化算法。
技术介绍
自从差分进化算法由Storn和Price提出后，相比于其他智能优化算法来讲,由于其具有更加良好的寻优性能和较快的收敛速度，因此，迅速得到了众多学者的关注和研究[2,3,4,5]，并且对该算法的控制参数(变异因子F和交叉概率CR)、策略等方面进行了大量的研究工作，于此同时，还将其应用于各种实际的复杂优化问题，取得了令人满意的优化效果。虽然差分进化算法有着令人满意的优化效果，但是面对越来越复杂的优化问题，其固定的控制参数设定和变异策略都难以适应算法进化的需要，因此，其存在的算法缺陷不可忽视。
技术实现思路
本专利技术的目的就在于为了解决上述问题而提供一种控制参数自适应和策略自适应的差分进化算法。本专利技术通过以下技术方案来实现上述目的：本专利技术对于优化问题其中，f(x)为优化的目标函数，x为D维优化矢量，和分别为第j个变量xj的下限和上限；具体包括以下步骤：(1)初始化：在各自的可行域内，生成原始种群与控制参数种群设置最大的迭代次数Gm和种群的规模NP,同时，使Nchoice＝0，Fstrategy1＝0，Fstrategy2＝0；(2)原始种群S1的进化：每一个原始个体采用各自的作为控制参数，实现差分进化操作，生成新个体选择NP/2+Nchoice个个体进行式(2)的个体变异操作其中，istrategy1＝1,2，···，NP/2+Nchoice选择剩下的NP/2-Nchoice个个体按照rand＞0.4的原则来分别进行式(3)和(4)的个体变异操作，如果是则利用式(3)进行变异操作，如果否，则利用式(4)进行变异操作；其中，istrategy2＝NP/2+Nchoice+1，NP/2+Nchoice+1,···，NP,且istrategy1+istrategy2＝NP；个体的边界处理：若或那么从可行域内随机选取；个体交叉操作：其中是新个体的第j个基因；策略的自适应的操作：求得的平均值，同时使求得的平均值，同时使如果Fstrategy1≤Fstrategy2，那么Nchoice＝Nchoice+1，否则Nchoice＝Nchoice-1；同时，对Nchoice的边界进行处理，如果Nchoice＞NP/2,那么Nchoice＝NP/2-1，如果Nchoice＜-NP/2，那么Nchoice＝-NP/2+1；个体的选择:(3)控制参数种群的进化：FiG+1＝N(0.5,σ)，(7)其中，σ＝1.2-G/Gm；控制参数边界的设定：如果FiG+1＞1或FiG+1＜0,那么FiG+1＝1或FiG+1＝0.如果或那么or(4)重复第2～第3步，直到进化代数超过最大进化代数Gm。本专利技术的有益效果在于：本专利技术是一种控制参数自适应和策略自适应的差分进化算法，与现有技术相比，本专利技术通过13个100维标准测试函数的仿真测试和在实际优化问题的应用均表明，该算法具有较强的全局搜优性能和较快的收敛速率，并能较好的避免很多传统的智能优化算法存在的“早熟“现象。不仅实现了控制参数的自适应，而且对变异策略的选择也实现自适应。测试仿真结果表明，DE-CPASA算法具有更高的求解精度和较快的收敛速度。最后，将DE-CPASA算法应用于Hg氧化动力学参数估计，得到了较好的优化结果。具体实施方式下面对本专利技术作进一步说明：对于优化问题其中，f(x)为优化的目标函数，x为D维优化矢量，和分别为第j个变量xj的下限和上限；在DE-CPASA算法中，个体的构造和策略的使用见表0所示，对于个体的构造，采用的是控制参数和个体一起编码的方式，即每个个体都有一个与其对应的控制参数，从而能够实现算法在种群进化的同时，控制参数在个体水平上实现动态的变化，改变了传统DE算法中控制参数固定的方式；对于策略的使用，算法在初始阶段时，使Nchoice＝0，即，在算法迭代开始时，把种群分为两个个体数量为NP/2的子种群，然后利用DE/rand/1、DE/rand-to-best/1和DE/rand/2等变异策略来对个体进行变异操作，并对它们进行评价,最后利用Nchoice的变化来实现策略的自适应，从而提高算法整体的优化性能。表0.原始种群控制参数种群和变异策略Fig.1.Primarypopulationthepopulationofcontrolparametersandmutationstrategy具体包括以下步骤：(1)初始化：在各自的可行域内，生成原始种群与控制参数种群设置最大的迭代次数Gm和种群的规模NP,同时，使Nchoice＝0，Fstrategy1＝0，Fstrategy2＝0；(2)原始种群S1的进化：每一个原始个体采用各自的作为控制参数，实现差分进化操作，生成新个体选择NP/2+Nchoice个个体进行式(2)的个体变异操作其中，istrategy1＝1,2，···，NP/2+Nchoice选择剩下的NP/2-Nchoice个个体按照rand＞0.4的原则来分别进行式(3)和(4)的个体变异操作，如果是则利用式(3)进行变异操作，如果否，则利用式(4)进行变异操作；其中，istrategy2＝NP/2+Nchoice+1，NP/2+Nchoice+1,…，NP,且istrategy1+istrategy2＝NP；个体的边界处理：若或那么从可行域内随机选取；个体交叉操作：其中是新个体的第j个基因；策略的自适应的操作：求得的平均值，同时使求得的平均值，同时使如果Fstrategy1≤Fstrategy2，那么Nchoice＝Nchoice+1，否则Nchoice＝Nchoice-1；同时，对Nchoice的边界进行处理，如果Nchoice＞NP/2,那么Nchoice＝NP/2-1，如果Nchoice＜-NP/2，那么Nchoice＝-NP/2+1；个体的选择:(3)控制参数种群的进化：FiG+1＝N(0.5,σ)，(7)其中，σ＝1.2-G/Gm；控制参数边界的设定：如果FiG+1＞1或FiG+1＜0,那么FiG+1＝1或FiG+1＝0.如果或那么or(4)重复第2～第3步，直到进化代数超过最大进化代数Gm。仿真测试为了说明DE-CPASA算法(控制参数自适应和策略自适应的差分进化算法)性能的优劣，本文将通过对13个100维的标准测试函数的测试来验证算法的性能，并且将其优化的结果跟知名算法JADE[6]及一种传统差分进化算法DE/rand/1进行比较。为了能够体现比较的公平性，DE-CPASA算法中NP＝400,但是在最大迭代代数的设置上，DE-CPASA算法采取了不同的参数设置，见表1。其中，传统差分进化算法的控制参数设置采用Price和Storn[7]推荐的参数：F＝0.5和CR＝0.9。对于每个100维的标准测试函数，DE-CPASA算法、JADE算法和传统差分进化算法都分别独立运行50次，然后分别求得每个测试函数的平均值和标准方差。从表2中可以看出，对于Penalized1和Penalized2这两个测试，DE-CPASA的优化效果要比JADE的优化结果差点，尤其是Penalized2这个测试函数，本文档来自技高网...
【技术保护点】
一种控制参数自适应和策略自适应的差分进化算法，其特征在于：对于优化问题minxf(x1,x2,...,xD)xj∈(xjL,xjU)j=1,2,...,D---(1)]]>其中，f(x)为优化的目标函数，x为D维优化矢量，和分别为第j个变量xj的下限和上限；具体包括以下步骤：(1)初始化：在各自的可行域内，生成原始种群与控制参数种群设置最大的迭代次数Gm和种群的规模NP,同时，使Nchoice＝0，Fstrategy1＝0，Fstrategy2＝0；(2)原始种群S1的进化：每一个原始个体采用各自的作为控制参数，实现差分进化操作，生成新个体i＝1,2...,NP；选择NP/2+Nchoice个个体进行式(2)的个体变异操作x^istrategy1G+1=xr1G+Fistrategy1G·(xr2G-xr3G)---(2)]]>其中，istrategy1＝1,2，...，NP/2+Nchoice选择剩下的NP/2‑Nchoice个个体按照rand＞0.4的原则来分别进行式(3)和(4)的个体变异操作，如果是则利用式(3)进行变异操作，如果否，则利用式(4)进行变异操作；x^istrategy2G+1=xr1G+Fistrategy2G·(xr2G-xr3G)+Fistrategy2G·(xr4G-xr5G)---(3)]]>x^istrategy2G+1=xiG+Fistrategy2G·(xbestG-xiG)+Fistrategy2G·(xr1G-xr2G)---(4)]]>其中，istrategy2＝NP/2+Nchoice+1，NP/2+Nchoice+1,...，NP,且istrategy1+istrategy2＝NP；个体的边界处理：若或那么从可行域内随机选取；个体交叉操作：其中是新个体的第j个基因；策略的自适应的操作：求得的平均值，同时使求得的平均值，同时使如果Fstrategy1≤Fstrategy2，那么Nchoice＝Nchoice+1，否则Nchoice＝Nchoice‑1；同时，对Nchoice的边界进行处理，如果Nchoice＞NP/2,那么Nchoice＝NP/2‑1，如果Nchoice＜‑NP/2，那么Nchoice＝‑NP/2+1；个体的选择:(3)控制参数种群的进化：FiG+1＝N(0.5,σ)， (7)CRiG+1=N(0.9,σ);---(8)]]>其中，σ＝1.2‑G/Gm；控制参数边界的设定：如果FiG+1＞1或FiG+1＜0,那么FiG+1＝1或FiG+1＝0.如果或那么(4)重复第2～第3步，直到进化代数超过最大进化代数Gm。...
【技术特征摘要】
1.一种控制参数自适应和策略自适应的差分进化算法，其特征在于：对于优化问题minxf(x1,x2,...,xD)xj∈(xjL,xjU)j=1,2,...,D---(1)]]>其中，f(x)为优化的目标函数，x为D维优化矢量，和分别为第j个变量xj的下限和上限；具体包括以下步骤：(1)初始化：在各自的可行域内，生成原始种群与控制参数种群设置最大的迭代次数Gm和种群的规模NP,同时，使Nchoice＝0，Fstrategy1＝0，Fstrategy2＝0；(2)原始种群S1的进化：每一个原始个体采用各自的作为控制参数，实现差分进化操作，生成新个体i＝1,2...,NP；选择NP/2+Nchoice个个体进行式(2)的个体变异操作x^istrategy1G+1=xr1G+Fistrategy1G·(xr2G-xr3G)---(2)]]>其中，istrategy1＝1,2，...，NP/2+Nchoice选择剩下的NP/2-Nchoice个个体按照rand＞0.4的原则来分别进行式(3)和(4)的个体变异操作，如果是则利用式(3)进行变异操作，如果否，则利用式(4)进行变异操作；x^istrategy2G+1=xr1G+Fistrategy2G·(xr2G-xr3G)+Fistrategy2G&Center...
【专利技术属性】
技术研发人员：吕梅蕾，王海伦，许大星，夏浩，
申请(专利权)人：衢州学院，
类型：发明
国别省市：浙江;33
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。