【技术实现步骤摘要】
基于模拟退火和信息熵的自适应多目标混合差分进化算法
本专利技术涉及自适应多目标差分进化算法。更具体地，涉及一种利用正交初始化、基于新的缩放系数的改进的变异操作、基于模拟退火算法的Metropolis接受准则的交叉操作、基于熵的拥挤度评估方法的选择操作的基于模拟退火和信息熵的自适应多目标混合差分进化算法。
技术介绍
差分进化算法(DifferentialEvolution)算法是由RainerStorn和KennethPrice在遗传算法等进化思想的基础上提出的，本质是一种多目标(连续变量)优化算法，用于求解多维空间中的全局最优解。差分进化思想来源于遗传算法(GeneticAlgorithm，GA)，均通过模拟遗传学中的杂交(crossover)、变异(mutation)、复制(reproduction)来设计遗传算子。和其它演化算法一样，差分进化算法是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存下来。相比于进化算法，差分进化思想保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，从而降低了遗传操作的复...
【技术保护点】
1.一种基于模拟退火和信息熵的自适应多目标混合差分进化算法，其特征在于，该方法包括如下步骤：S1、在初始化种群的时候采取正交初始化的方法对种群进行初始化。具体来说，该算法将采用基于正交矩阵和因子分析的正交初始化方法，从而获得一组代表性的实验初始组合；S2、设计新的缩放系数，从而改进得到新的变异操作函数和参数；S3、基于模拟退火算法的Metropolis接受准则设计了改进的交叉操作；S4、最后采用基于熵的拥挤度评估方法设计了改进的选择操作。
【技术特征摘要】
1.一种基于模拟退火和信息熵的自适应多目标混合差分进化算法，其特征在于，该方法包括如下步骤：S1、在初始化种群的时候采取正交初始化的方法对种群进行初始化。具体来说，该算法将采用基于正交矩阵和因子分析的正交初始化方法，从而获得一组代表性的实验初始组合；S2、设计新的缩放系数，从而改进得到新的变异操作函数和参数；S3、基于模拟退火算法的Metropolis接受准则设计了改进的交叉操作；S4、最后采用基于熵的拥挤度评估方法设计了改进的选择操作。2.根据权利要求1所述的基于模拟退火和信息熵的自适应多目标混合差分进化算法，其特征在于，经过改进之后的正交初始化方法采用正交矩阵和因子分析，初始化一组小但具有代表性的种群组合，以获得良好的初始化组合，正交初始化方法使得种群在上下限内均匀分布，具体操作如下：其中，Q表示每个维度中水平的总个数，即将每个个体的每个维度分割为Q个水平，αij表示每个个体的第i个维度中第j个水平的值，ui表示每个个体的第i个维度的最大取值，li表示每个个体的第i个维度的最小取值。3.根据权利要求2所述的基于模拟退火和信息熵的自适应多目标混合差分进化算法，其特征在于，通过以下公式进行初始正交矩阵行数的设定，具体操作如下：Minimize:R＝QJSubjectto:其中，R表示初始正交矩阵的行数，J表示正整数，n表示每个个体的决策变量的个数，Np表示种群中个体的个数，如果C>n，删除掉多余的C-n列数据，从而得到初始的正交矩阵。4.根据权利要求3所述的基于模拟退火和信息熵的自适应多目标混合差分进化算法，其特征在于，所采用的变异操作可以解决算法过早收敛于局部最优解的问题，具体操作如下：其中，为表示第g+1代中第i个个体的数据；F表示扰动因子系数，和表示第g代中第j个和第k个个体的数据，其中j≠k≠i。5.根据权利要求4所述的基于模拟退火和信息熵的自适应多目标混合差分进化算法，其特征在于，扰动因子系数F的计算方式如下：其中，gnow表示当前的进化代数，...
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。