差分进化算法的改进及应用研究
多解优化问题的差分进化算法研究
多解优化问题的差分进化算法研究多解优化问题的差分进化算法研究摘要：随着计算机技术的快速发展和人们对优化问题研究的深入，差分进化算法（ Differential Evolution）作为一种全局优化算法被广泛应用于多解优化问题中。
本文将对差分进化算法的基本原理和应用进行详细阐述，并对其在多解优化问题中的研究进行分析和讨论。
一、引言多解优化问题是指在优化问题中存在多个局部最优解的情况，传统的优化算法往往只能得到其中一个最优解，难以得到全局最优解或多个优秀解。
差分进化算法作为一种全局优化算法，逐渐受到研究者们的重视和广泛应用。
二、差分进化算法的基本原理差分进化算法是一种基于群体智能的优化算法，其基本原理是以种群为基础，通过模拟进化过程来搜索优化问题的解。
具体流程主要包括初始化种群、适应度评估、差分操作、交叉操作和选择操作。
2.1 初始化种群在差分进化算法中，种群由候选解构成，初始时通常通过随机生成的方式得到。
种群的数量与问题的复杂度和精度有关，一般会根据具体问题进行调整。
2.2 适应度评估适应度评估是指根据问题的优化目标，对每个候选解进行评价和排序。
评价结果用于指导进化过程中的选择操作，通常采用函数值大小作为评价指标。
2.3 差分操作差分操作是差分进化算法的核心步骤，通过将种群中的个体进行差分计算来生成新的候选解。
差分操作的目的是引入种群个体之间的差异性，以便在搜索空间中更全面地探索。
2.4 交叉操作交叉操作是指将差分操作生成的新个体与原始种群中的个体进行交叉操作，产生新的解。
交叉操作可以通过一定的概率控制生成新解的能力，并保持种群中优秀解的传递性。
2.5 选择操作选择操作是指通过适应度函数对新生成的解和原始种群中的解进行评估和排序，选出优秀的解作为下一代的种群。
三、差分进化算法在多解优化问题中的研究差分进化算法的特点决定其在多解优化问题中的优势。
通过引入种群的概念和差分操作，差分进化算法能够更好地探索和利用问题解空间中的多个局部最优解。
《差分进化算法的优化及其应用研究》范文
《差分进化算法的优化及其应用研究》篇一摘要随着优化问题在科学、工程和技术领域的重要性日益增强，差分进化算法（DEA，Differential Evolution Algorithm）以其高效的优化能力和出色的适应性，在众多领域中得到了广泛的应用。
本文旨在探讨差分进化算法的优化方法，以及其在不同领域的应用研究。
首先，我们将对差分进化算法的基本原理进行介绍；其次，分析其优化策略；最后，探讨其在不同领域的应用及其研究进展。
一、差分进化算法的基本原理差分进化算法是一种基于进化计算的优化算法，通过模拟自然选择和遗传学原理进行搜索和优化。
该算法的核心思想是利用个体之间的差异进行选择和演化，从而达到优化目标的目的。
基本原理包括种群初始化、差分操作、变异操作、交叉操作和选择操作等步骤。
在解决复杂问题时，该算法可以自动寻找全局最优解，且具有较好的收敛性能和稳定性。
二、差分进化算法的优化策略为了进一步提高差分进化算法的性能，学者们提出了多种优化策略。
首先，针对算法的参数设置，通过自适应调整参数值，使算法在不同阶段能够更好地适应问题需求。
其次，引入多种变异策略和交叉策略，以增强算法的搜索能力和全局寻优能力。
此外，结合其他优化算法如遗传算法、粒子群算法等，形成混合优化算法，进一步提高优化效果。
三、差分进化算法的应用研究差分进化算法在众多领域得到了广泛的应用研究。
在函数优化领域，该算法可以有效地解决高维、非线性、多峰值的复杂函数优化问题。
在机器学习领域，差分进化算法可以用于神经网络的权值优化、支持向量机的参数选择等问题。
此外，在控制工程、生产调度、图像处理等领域也得到了广泛的应用。
以函数优化为例，差分进化算法可以自动寻找全局最优解，有效避免陷入局部最优解的问题。
在机器学习领域，差分进化算法可以根据问题的特点进行定制化优化，提高模型的性能和泛化能力。
在控制工程中，该算法可以用于系统控制参数的优化和调整，提高系统的稳定性和性能。
[毕业论文]差分演化算法的改进及其在聚类分析中的应用研究
![[毕业论文]差分演化算法的改进及其在聚类分析中的应用研究](https://img.taocdn.com/s3/m/13ab94c251e2524de518964bcf84b9d528ea2c9c.png)
(5) 针对当前演化聚类算法的不足, 把简单、高效的差分演化算法用于聚类分析中, 提 出差分演化聚类分析算法, DEPS-C 算法。该算法采用基于点对称距离作为相似性准则来对 数据点进行分配, 同时考虑了对称的封闭性, 以增强对原有点对称距离标准的鲁棒性。采用 基于 Kd 树的最邻近点搜索方法来寻找对称点, 从而减少了算法的复杂度; 并设计了适合聚 类分析的演化群体中个体的表示方法, 并对演化中错误个体进行修正。通过标准测试数据 集和 UCI 数据集对算法性能进行了测试。此外, 对差分演化算法杂交概率 CR 的不同取值 对算法性能的影响进行了研究, 实验结果表明: 对于具有对称性的数据集, DEPS-C 算法能 对其进行正确的聚类划分; 且该算法控制参数少, 对杂交概率 CR 的不同取值不敏感, 从而 增加了该算法的实用性和通用性。
Clustering analysis is an important technique for the data analysis in data mining and machine learning. Clustering is the unsupervised classification of objects (patterns) into different groups, or more precisely, the partitioning of a dataset into subsets (clusters), so that the data in the same clusters is similar and the data in different clusters is dissimilar according to some defined distance measure. Data clustering is a common technique for statistical data analysis, which is used in many fields, including machine learning, data mining, pattern recognition, image analysis, and bioinformatics. Most of the clustering algorithm can be converted into a global optimization problem. From the optimization point of view, clustering is an NP-hard problem. Due to the complexity of clustering, most of the traditional clustering algorithm is a local optimal algorithm. In order to solve the clustering problem more effectively, one possible way is the hybridization
差分进化算法及其应用研究
第四，针对建模在应用中带来的不便，以及不确定性的因素造成的被控对象 时变和非线性，基于ＩＴＡＥ控制律，提出了差分进化ＰＩＤ控制器在线进化结构， 实现了ＰＩＤ参数在线整定。该方法不要求事先获取被控对象的精确数学模型，因 而具有一定的工程应用价值。
关键词：进化计算、差分进化、差分策略、早熟收敛、ＰＩＤ整定
河海大学硕士学位论文
Ａｂｓｔｒａｃｔ
Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｖｏｌｕｔｉｏｎ（ＤＥ）ｉＳ ａ ｈｅｕｒｉｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｐｏｐｕｌａｔｉｏｎ ｄｉｖｃｒｓｉｔｙ．Ｄｕｅ ｔＯ ｉｔｓ ｓｉｍｐｌｅ ｓｔｒｕｃｔｕｒｅ，ｌｅｓｓ ｃｏｎｔｒｏｌ ｐａｒａｍｅｔｅｒｓ ａｎｄ ｇｏｏｄ ｒｏｂｕｓｔｎｅｓｓ．ＤＥ ｈａｓ ｒｅｃｅｉｖｅｄ ｍｏｒｅ ａｎｄ ｍｏｒｅ ａｔｔｅｎｔｉｏｎ ｂｙ ｒｅｓｅａｒｃｈｅｒｓ ａｎｄ ｉｓ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｍａｎｙ ｐｒａｃｔｉｃｅｓ．Ｔｈｅｒｅ ａｒｅ ｍａｎｙ ｄｉｆｆｅｒｅｎｔｉａｌ ｓｔｒａｔｅｇｉｅｓ．Ｔｈｅ ｔｙｐｉｃａｌ ｓｔｒａｔｅｇｉｅｓ ａｍｏｎｇ ｔｈｅｍ ｗｈｉｃｈ ａｔｔｒａｃｔｅｄ ｍｏｒｅ ａｔｔｅｎｔｉｏｎ ａｎｄ ｇｏｔ ｍｏｒｅ ａｐｐｌｉｃａｔｉｏｎ ｂｔｉｔ ｓｔｉｌｌ ｏｗｎｅｄ ｃｅｒｔａｉｎ ｆａｕｌｔｓ ａｒｅ ＤＥ／ｒａｎｄ／１ ａｎｄ ＤＥ／ｂｅｓｔ／１．Ｐｒｅｍａｔｕｒｅ ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ ｌｏｅａｌ ｓｅａｒｃｈｉｎｇ ａｂｉｌｉｔｙ ａｌｅ ｓｔｉｌｌ ｔｈｅ ｍａｉｎ ｉｓｓｕｅ．Ｓｏ ｆｏｒ ｅｎｈａｎｃｉｎｇ ｔｈｅ Ｉｘ＇ｒｆｏｒｍａｎｃｅ ｏｆＤＥ，ｉｔ ｉｓ
差分进化算法的改进研究
Science &Technology Vision 科技视界0引言差分进化算法是1995年由Storn 和Price 提出来的一种基于种群的随机性搜索算法,差分进化算法在求解各式样的优化问题中表现出了良好的全局寻优能力[1],同时其结构简单、操作容易,具有很多优点,但不可避免的是其容易陷入局部最优导致无法快速准确的收敛到全局最优值。
不同学者也提出了很多对差分进化算法的改进,主要有对控制参数的改进以及对突异策略的改进等[2-4]。
本文研究主要分为以下几个部分,首先对差分进化算法简要介绍,之后提出改进的差分进化算法,并对改进算法进行Benchmark 函数实验,最后给出结果及结论。
1基本差分进化算法差分进化算法是一种经常用于解决优化问题的随机性搜索算法,它采用实数编码方式。
算法主要包括突变、交叉以及选择操作[5],涉及到的参数主要包括种群大小Np ,突变概率F (一般取值范围0到1),交叉概率Cr (一般取值范围0到1)。
算法的流程主要分为以下几部分:(以下i∈[1,Np ],j∈[1,D ],G 迭代次数)1)种群初始化:算法采用随机初始化方式产生一定大小的初始种群,具体生成方式如下:x j ,i =x Lj +rand i ,j (0,1)·(x Uj -x Lj )(1)2)突变操作:是差分进化算法中最重要的操作,随机产生的三个互不相同的个体,选取一个作为目标向量,通过另两个向量的差来引导目标向量进行突变操作,具体形式如下:v i ,G =x r 1,G +F ·(x r 2,G -x r 3,G )(2)除了上述最经典变异策略之外,还有几种常见变异策略见文献[6]。
3)交叉操作:在突变操作之后,为增加种群的多样性,我们对突变个体和父代个体进行交叉操作,常用的二项式交叉具体形式如下:u i ,j ,G =v i ,j ,G ,如果rand i ,j ≤Cr 或j=rand (i )x i ,j ,G ,其他{(3)4)选择操作:算法的选择操作采用的是一种一对一的贪婪选择机制,将交叉操作后生成的试验向量与父代个体进行比较,选取具有更优适应度的个体进入下一代,具体如下:X i ,G+1=u i ,G ,如果fitness (u i ,G )≤fitness (X i ,G )X i ,G ,其他{(4)2改进差分进化算法本文对差分进化算法的改进主要分为以下两个方面:1)突变和交叉操作的改进:本文主要针对常用突变操作中的v i ,G =x i ,G+F ·(x best ,G -x i ,G )+F ·(x r 1,G -x r 2,G )突变方式,我们随机的从种群选取种群个数的百分之p,选取这部分个体中具有最有适应度的个体,用x gr_best ,G 来代替替代x best ,G 。
基于协进化策略的改进差分进化算法及应用
基于协进化策略的改进差分进化算法及应用改进差分进化算法是近年来优化算法研究中的一个热点。
差分进化算法是一种高效的全局优化算法，在解决实际问题中具有广泛的应用前景。
然而，由于种群多样性不足、算法收敛速度慢等问题导致其求解效率并不高。
因此，如何提高差分进化算法的求解效率一直是研究者关注的问题。
基于协进化策略的改进差分进化算法是一种新型的进化算法。
协进化策略是一种种群演化策略，它将个体与其周围的邻居协同进化，以增加种群的多样性和自适应性。
基于协同进化策略的差分进化算法，通过引入邻域操作和群体操作，提高了算法的全局搜索能力和局部搜索能力。
1. 初始化种群，在种群中随机生成一些个体作为种群的起始点。
2. 利用差分进化算法进行个体的进化，并通过基于适应值的群体选择策略选择出最好的个体。
3. 在选出的个体周围建立邻域，并利用协同进化策略，将邻域内的个体加入群体中进行协同进化。
4. 通过交叉和变异操作，更新协同进化群体中的个体，并根据适应值的大小确定，部分个体将进入下一代，来保持种群多样性和适应性。
5. 判断是否满足终止条件，若满足则输出结果，否则返回第二步，并重复迭代至终止条件满足。
相对于传统的差分进化算法，基于协进化策略的改进差分进化算法具有以下优点：1. 提高了种群的多样性，通过协同进化，更好地利用种群中的信息，避免了算法收敛于某个局部最优解。
3. 提高了算法的全局搜索能力和局部搜索能力，通过邻域内的个体协同进化策略，更好地平衡了算法的全局搜索和局部搜索。
在实际应用中，基于协进化策略的改进差分进化算法具有广泛的应用前景。
例如，可以应用于电力负荷预测、电力市场竞价等问题的优化求解。
此外，基于协进化策略的改进差分进化算法也可以应用于其他机器学习问题的优化求解。
总之，基于协进化策略的改进差分进化算法是一种新型的优化算法，其具有很好的优化求解效果和广泛的应用前景。
多目标差分进化算法的改进研究
多目标差分进化算法的改进研究在学术研究和工程实践当中存在许多多目标优化问题,不同于单目标优化问题,多目标优化问题由于各个目标之间相互制约,很难让所有的优化目标同时达到最优。
因此,只能对各个目标进行协调以寻求折中最优解。
加之多目标优化问题大多具有高维、多峰、不连续等特性,故而给多目标问题的求解增添了许多难度。
差分进化(Differential Evolution,DE)算法作为目前最优秀的智能优化算法之一,具有操作简单、可控参数少、收敛速度快、全局搜索能力强等特点,大量实验数据表明,差分进化算法在处理多目标优化问题上表现出非常显著的效果,现已被广泛使用在图像处理、生产调动、神经网络、故障诊断等诸多领域当中。
然而,DE算法和其他进化算法一样,在对高维、多峰、多目标等复杂的问题进行优化时仍不可避免地存在早熟、停滞等问题。
本课题对DE算法进行系统的研究和分析,针对其探索和开发能力之间存在的矛盾。
从算法的结构和关键步骤,如变异操作、交叉操作等多方面入手,进行了深入分析和大量的实验仿真,最后提出了两个改进的方案,使其在收敛速度和精度上都得到大幅度提升,在处理复杂高维多峰问题上有了很明显的改善。
第一个方案,提出一种基于分类策略的DE算法(classified-Based Differential Evolution,C-DE):采用分类的思想把种群划分成多个子群,对各个子群根据不同的特点采用不同的变异策略,从而来提高算法的收敛速度和精度。
具体的改进措施如下:1、设计一种新的DE变异策略DE/rand-to-best/pbest。
利用历代最优提供搜索方向的指导性信息,来提高算法的收敛速度;2、引入分类策略。
有针对性地调整不同特性个体的进化程度,来平衡算法的探索和开发能力。
在9个标准测试函数上的实验仿真结果表明,C-DE算法能有效提高算法收敛速度、精度以及鲁棒性,其相关性能指标优于国内外多种先进的DE算法。
第二个方案,提出一种基于混沌局部搜索策略的DE算法(Differential Evolution Algorithm Based on Chaotic Local Search,CL-DE):采用混沌局部搜索策略,在最优个体附近作混沌局部搜索,以此来提高算法的性能。
差分进化算法的改进及其应用研究
Ａｂｓｔｒａｃｔ：Ａｉｍｉｎｇａｔｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｄｉｆｆｅｒｅｎｔｉａｌｅｖｏｌｕｔｉｏｎ（ＤＥ）ａｌｇｏｒｉｔｈｍ ｓｕｃｈａｓｓｌｏｗｅｒｃｏｎ ｖｅｒｇｅｎｃｅｓｐｅｅｄ，ｌｏｗｅｒｃｏｎｖｅｒｇｅｎｃｅａｃｃｕｒａｃｙａｎｄｅａｓｙｔｏｆａｌｌｉｎｔｏｌｏｃａｌｏｐｔｉｍｕｍｓｏｌｕｔｉｏｎ，ａｎｉｍｐｒｏｖｅｄ ｄｉｆｆｅｒｅｎｔｉａｌｅｖｏｌｕｔｉｏｎａｌｇｏｒｉｔｈｍｂａｓｅｄｏｎｄｕａｌｐｏｐｕｌａｔｉｏｎａｄａｐｔｉｖｅｅｖｏｌｕｔｉｏｎｉｓｐｒｏｐｏｓｅｄ．Ｔｗｏｐｏｐｕｌａ ｔｉｏｎｓａｒｅｉｎｉｔｉａｌｉｚｅｄａｔｔｈｅｓａｍｅｔｉｍｅｄｕｒｉｎｇｔｈｅｉｎｉｔｉａｌｉｚａｔｉｏｎｐｈａｓｅｏｆｔｈｅａｌｇｏｒｉｔｈｍ．Ｔｗｏｐｏｐｕｌａｔｉｏｎｓ ａｄｏｐｔｄｉｆｆｅｒｅｎｔａｄａｐｔｉｖｅｍｕｔａｔｉｏｎｏｐｅｒａｔｏｒｓ，ｍｕｔａｔｉｏｎｓｔｒａｔｅｇｉｅｓ，ａｎｄｃｒｏｓｓｏｖｅｒｏｐｅｒａｔｏｒｓｔｏｐｅｒｆｏｒｍｔｈｅ ｅｖｏｌｕｔｉｏｎａｒｙｏｐｅｒａｔｉｏｎｓ．Ｉｎｔｈｅｉｍｐｒｏｖｅｄｓｅｌｅｃｔｉｏｎｏｐｅｒａｔｉｏｎ，ｔｈｅｏｐｔｉｍａｌｉｎｄｉｖｉｄｕａｌｓｏｆｔｈｅｔｗｏｐｏｐｕ ｌａｔｉｏｎｓａｒｅｓｅｌｅｃｔｅｄｔｏｅｎｔｅｒｔｈｅｎｅｘｔｅｖｏｌｕｔｉｏｎｐｒｏｃｅｓｓ．Ｕｓｉｎｇｆｉｖｅｓｔａｎｄａｒｄｔｅｓｔｆｕｎｃｔｉｏｎｓｔｏｔｅｓｔｔｈｅ ｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍ，ｔｅｓｔｔｈｅｉｍｐｒｏｖｅｍｅｎｔｅｆｆｅｃｔｏｆｔｈｅａｌｇｏｒｉｔｈｍ．Ｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄ ＤＥａｌｇｏｒｉｔｈｍ ｈａｓｂｅｔｔｅｒｇｌｏｂａｌｃｏｎｖｅｒｇｅｎｃｅａｂｉｌｉｔｙ，ｆａｓｔｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄｈｉｇｈｅｒｃｏｎｖｅｒｇｅｎｃｅ ａｃｃｕｒａｃｙｔｈａｎｔｈｅｊＤＥａｌｇｏｒｉｔｈｍａｎｄｔｈｅｓｔａｎｄａｒｄＤＥａｌｇｏｒｉｔｈｍ．ＴｈｅｃｏｍｂｉｎａｔｉｏｎｏｆｉｍｐｒｏｖｅｄＤＥａｌ ｇｏｒｉｔｈｍａｎｄＳＶＭ ａｌｇｏｒｉｔｈｍ ｉｓａｐｐｌｉｅｄｔｏｓｈｏｒｔｔｅｒｍ ｐｏｗｅｒｌｏａｄｆｏｒｅｃａｓｔｉｎｇ．Ｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓ ｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄＤＥａｌｇｏｒｉｔｈｍｃａｎｆｉｎｄｔｈｅｏｐｔｉｍａｌｐａｒａｍｅｔｅｒｃｏｍｂｉｎａｔｉｏｎｏｆＳＶＭ ｂｅｔｔｅｒｔｈａｎ ｔｈｅｓｔａｎｄａｒｄＤＥａｌｇｏｒｉｔｈｍ． Ｋｅｙｗｏｒｄｓ：ａｄａｐｔｉｖｅｍｕｔａｔｉｏｎｏｐｅｒａｔｏｒ；Ｉｍｐｒｏｖｉｎｇｄｅａｌｇｏｒｉｔｈｍ；ｓｔａｎｄａｒｄｔｅｓｔｆｕｎｃｔｉｏｎ；ｅｌｅｃｔｒｉｃｌｏａｄ ｆｏｒｅｃａｓｔｉｎｇ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
密级： 编号：
工学博士学位论文
差分进化算法的改进及应用研究
博士研究生 ：肖
婧 教授
指 导 教 师 ：毕晓君
学科、专业 ：信号与信息处理
哈尔滨工程大学
2011 年 9 月
分类号： UDC ：
密级： 编号：
工学博士学位论文
差分进化算法的改进及应用研究
博 士 研 究 生 ：肖
婧
教授
哈尔滨工程大学 学位论文授权使用声明
本人完全了解学校保护知识产权的有关规定， 即研究生在校攻读学位期间论文工作 的知识产权属于哈尔滨工程大学。 哈尔滨工程大学有权保留并向国家有关部门或机构送 交论文的复印件。 本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进 行检索，可采用影印、缩印或扫描等复制手段保存和汇编本学位论文，可以公布论文的 全部内容。 同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一 署名单位为哈尔滨工程大学。涉密学位论文待解密后适用本声明。 本论文（□在授予学位后即可 □在授予学位12个月后 □解密后）由哈尔滨工程
关键词：差分进化算法；高维多峰单目标优化；多目标优化；PET 医学图像；多边多议题 协商
哈尔滨工程大学博士学位论文
ABSTRACT
Differential Evolution (DE) is one of the current best evolutionary algorithms, which has become the research hotspot in many fields such as evolutionary computing and intelligent optimization. At present, DE has successfully been applied to diverse domains of science and engineering, such as signal processing, neural network optimization, pattern recognition, machine intelligence, chemical engineering and medical science. However, almost all of the evolutionary algorithms, including DE, still suffer from the problems of premature convergence, slow convergence rate and difficult parameter setting, especially in optimizing high-dimensional multi-modal complex optimization problems. In addition, the standard DE algorithm can't be used directly to solve the multi-objective optimization problems (MOPs) and this shortcoming limits the scope of application of DE to some extent. According to the insufficiency of DE, the structure and key steps of the algorithm, including mutation, crossover and parameter setting, are deeply investigated in this paper and based on which several improvement measures of DE are proposed to improve its optimal performance. In addition, the improved DE algorithm proposed in this paper is applied successfully to solve several frontier problems, such as the focus contour extraction of human brain PET images and the multi-lateral multi-issue negotiation in E-commerce under cooperative environment. Firstly, in order to improve the convergence performance of DE in solving high-dimensional multi-modal complex optimization problems, a new modified DE algorithm based on a classification mechanism, called p-ADE, is presented. Concrete improvement measures in p-ADE include: 1 、A new DE mutation strategy is designed, in which the global best solution and the best previous solution of each individual are utilized to guide the search direction synchronously, avoiding the search blindness brought by the random selection of individuals in difference vector; 2 、 Classification mechanism is introduced to control the extent of variation of each individual with different fitness characteristic and thus to balance DE's exploration and exploitation abilities; 3 、 New parameter setting strategy is designed, in which control parameters are adjusted according to the fitness characteristic of each individual as well as the evolutionary generations. Experimental results on 22 benchmark functions show that p-ADE can effectively improve the global search ability of DE and
指 导 教 师 ：毕晓君 学 位 级 别 ：工学博士
学 科 、 专 业 ：信号与信息处理 所 在 单 位 ：通信与信息工程学院 论文提交日期 ：2011 年 9 月 论文答辩日期 ：2011 年 11 月 学位授予单位 ：哈尔滨工程大学
Classified Index: U.D.C:
A Dissertation for the Degree of D.Eng
差分进化算法的改进及应用研究
关性能指标超过国内外多个先进多目标进化算法。 再次，针对目前人脑 PET 医学图像的病灶目标边缘检测所存在的对初始轮廓敏感、 难以收敛到目标凹型区域等问题，提出了一种结合 p-ADE 算法的 GVF Snake 模型，在 提高检测精度解决实际问题的同时扩展 DE 算法的应用领域。新检测方法中首先利用 GVF Snake 模型进行收敛得到病灶目标的粗轮廓， 然后为防止 GVF Snake 模型陷入局部 最优，进一步利用 p-ADE 算法的全局优化特性以及图像信息对该粗轮廓进行优化，最 终得到精确的病灶目标边缘轮廓线。在 30 幅真实人脑 PET 图像上的实验结果显示，新 方法能有效提高 PET 图像的检测精度并缩短时耗，检测效果优于现有多种检测方法。 最后，研究了 p-ADE 算法在合作环境下的电子商务多边多议题协商中的应用。针 对现有基于遗传(Genetic Algorithm, GA)等进化算法的多 Agent 协商方法计算效率低、 需 要具有协商各方完全私有信息等缺点，提出一种基于 p-ADE 算法的多 Agent 自动协商 模型。新模型设计了基于仲裁 Agent 的多 Agent 协商协议及协商策略，避免了对协商各 方完全私有信息的需求，更符合实际协商环境。p-ADE 算法用于生成具有更高适应性的 可行协商提议 Offer，促进协商各方达成一致，加速协商空间中 Pareto 最优协商解的搜 索速度。 实验部分中将新协商模型与目前解决多边多议题协商问题效果最好的混合遗传 算法 HGA(Hybrid Genetic Algorithm, HGA)，在合作环境下的实际多边多议题协商问题 中进行性能对比，证明新协商模型能有效地减少协商次数，提高协商效率和稳定性， 为 多边多议题协商问题的求解提供了新思路。
哈尔滨工程大学 学位论文原创性声明
本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。 有关观点、方法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注 明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声 明的法律结果由本人承担。 作者（签字）： 日期： 年 月 日
大学送交有关部门进行保存、汇编等。 作者（签字）： 日期： 年 月 日 导师（签字）： 年 月 日
哈尔滨工程大学博士学位论文摘要差分进化(Differential Evolution, DE)是目前最优秀的进化优化算法之一，成为进化 计算、智能优化技术方面的研究热点，并已广泛应用于数字信号处理、神经网络优化、 模式识别、机器智能、化工、医学等诸多实际工程领域，取得了良好的应用效果。然而， DE 和其他进化算法一样，在对复杂度较高的高维多峰函数进行优化时仍不可避免地存 在早熟收敛、后期收敛速度慢、控制参数难以设定等问题。此外 DE 算法本身不可直接 用于求解多目标优化问题，在一定程度上限制了算法的应用范围。 本课题针对 DE 算法存在的不足，对算法的结构和关键步骤，如变异操作、交叉操 作以及控制参数自适应调整等进行了深入研究和大量实验仿真工作， 提出了若干种改进 方法，大幅度提升了算法在高维多峰复杂单目标优化上的性能，并使其在多目标优化上 取得了良好的效果。此外，从应用角度出发，将改进后的 DE 算法应用于人脑 PET 医学 图像的病灶目标边缘检测以及合作环境下的电子商务多边多议题协商等前沿问题的求 解中，均取得了良好的效果。 首先，为提高 DE 算法在高维多峰复杂单目标优化问题上的求解性能，加快算法收 敛速度、防止陷入局部最优并提高稳定性，提出了基于分类思想的新变异策略，并设计 了新的参数自适应调整机制，从而构成一种性能优异的改进算法 p-ADE。具体改进措施 包括：1、设计新的 DE 变异策略。同时利用全局最优解以及个体历史最优解提供搜索 方向性信息，避免差分向量中个体随机选择带来的搜索盲目性； 2、引入分类策略。有 针对性地调整不同特性个体的进化程度，平衡算法的“开采”与“勘探”能力；3、设 计新的参数自适应策略。根据个体优劣以及进化代数设计每个个体的参数自适应方法。 在 22 个标准测试函数上的实验结果显示，p-ADE 算法能有效提高全局最优解精度，加 快算法收敛速度并增强 DE 算法的鲁棒性，其相关性能指标优于国内外多种先进算法。 其次， 为提高现有多目标优化算法的求解性能， 在以 NSGA-II 为代表的精英多目标 进化算法模型基础上，对 DE 算法本身和精英多目标优化模型进行了综合改进，提出了 一种基于精英策略的改进多目标自适应差分进化算法 SDEMO。主要改进措施包括：1、 设计新的精英多目标进化算法模型中的选择策略； 2、设计新的精英多目标进化算法模 型中的个体密度估计方法；3、根据多目标的特点设计新的 DE 算法变异策略；4、设计 新的 DE 算法中的参数自适应策略。标准测试函数上的实验结果显示， SDEMO 能够稳 定有效地找到 Pareto 最优解集并同时保证良好分布性， 尤其在复杂多目标优化问题中相