基于种群自适应策略差分演化算法及其的应用的研究

《基于种群自适应策略差分演化算法及其的应用的研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、东华大学学位论文原创性声明f／l叩l／i／lllu／im3lm7lH72／／ll／M韶／l《／／ll／本人郑重声明：我恪守学术道德，崇尚严谨学风。所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已明确注明和引用的内容外，本论文不包含任何其他个人或集体己经发表或撰写过的作品及成果的内容。论文为本人亲自撰写，我对所写的内容负责，并完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：。、。7【7年占东华大学学位论文版权使用授权书学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家

2、有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权东华大学可以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等复制手段保存和汇编本学位论文。本学位论文属于学位论文作者签名日期：o’7>年易月保密口，在——年解密后适用本版权书。不保密■。指导教师签名；三也日期：Vf3年6月歹El摘要基于种群自适应策略的差分演化算法及其应用研究为解决复杂的计算问题，研究人员多年来一直在寻找以大自然为蓝本的模型和象征。优化，是许多自然过程的核心。正如达尔文的进化论，每一个物种都要经过数百万年，通过调整自身

3、结构来适应周围的环境。我们观察到，优化和生物演化之问的基本关系是发展计算智能的一个重要范例。正是基于这样的思想，演化算法被提出用于执行非常复杂的搜索和优化。差分演化算法(DE)，一直被视为一种可靠和通用的基于种群的元启发式优化技术，并广泛的在各类问题中展现了令人瞩目的性能。在过去十年里，归功于差分演化算法的简单性、可靠性、高性能和易于实施，DE在众多研究人员中已经获得了广泛的知名度。与传统的演化算法不同，DE算法通过增加一个带权值的移动向量来执行扰动操作，并修正一些随机选择的候选粒子维度的值。正因为这样的内在机制，差分演化算法能能够

4、在演化早期高度地探索整个搜索空间，而在优化的后期变得更加注重自身剥削和开发。然而，DE并是不总能保证收敛到全局最优解，他会偶尔陷入局部停滞或者早熟收敛，而导致优化精度的降低甚至失败。本论文针对传统差分演化算法局部停滞和早熟收敛等问题，研究了一类自适应种群谐调框架和方法，采用马尔科夫链和信息熵的理论，提出了基于DE的改进种群自适应策略。同时，将改进算法应用于系统设计问题，解决了分数阶混沌系统的参数辨识问题，无限脉冲响应数字滤波器的设计问题以及质子交换膜燃料电池的最优化建模问题。本文主要工作概括如下：(1)差分演化算法的自适应种群谐调控

5、制研究通过权衡当前的解搜索状态和需要的种群分布两个指标，提出了一种崭新的动态自适应种群谐调策略(APTS)。在APTS中，首先设计了一个基于精英的种群增量策略，他在决策空间的适当位置中生成一些新个体帮助搜索更优的可行解。其次，设计了一个基于平庸的种群缩减策略，他依据排序方法删除一些性能较差的个体以减少计算负荷，并预留一些空间给新的带有种群多样性的扰动个体。此外，上述两个种群策略都由一个状态观测器所控制。该状态观测器被建立用于监控种群的演化进程，并适时地控制APTS的灵敏东华大学工学博士学位论文度。为验证算法有效性，实现了APTS的收

6、敛性分析，为其提供了理论保障。同时，通过一个全局性的性能比较实验，与其他6种顶尖的DE算法比较来发现最优者。实验结果表明JADE．APTS在低维问题(30维)中获得了富有竞争性的性能，在高维问题(100维)中获得了最佳性能。此外，方差分析的结果同样证实了APTS能够有效地加速收敛率和提高可行解的搜索精度。(2)基于马尔科夫链的种群自适应改进研究及其信息熵指标判据一个改进的种群自适应处理技术(cP)被应用于DE以解决各种优化问题。在CPDE中，实现了一个随机的策略跳变框架(MHT)，依靠非均匀的马尔科夫链来选择不同的子优化控制器，更好

7、地改进当前解搜索的状态。具体的来说，子优化控制器有两种，其一，称作改进的sigmoid函数种群增长策略。增加一些新个体进入种群，提供他们最新的信息分享给种群并帮助粒子逃脱局部困境。其二，称作基于信息熵和等级排序指标的种群减少策略。基于每个粒子的聚集熵指标和等级排序指标，删除一些过渡个体以避免不期望地计算损失和过度的搜索复杂度。其次，实现了CEC05基准函数下，CPDE与其他8种最先进演化算法(即，5种DEs和3种EAs)的性能比较实验以证明所提出方法的可行性。同时，维度可扩展性测试实验也同样证实，cP框架总能加速DE算法的搜索效能和

8、效率，尤其是在高维问题中效果更为明显。最后，收敛速度实验和时间复杂度推导进一步证明了CP框架对迄今为止的所有差分演化变体算法不产生任何额外的计算负担。(3)基于改进差分演化算法的分数阶混沌系统参数辨识采用一种改进的差分演化算法(SDE