差分进化算法综述
差分进化算法
差分进化算法简介差分进化算法是一种优化算法，源于遗传算法，通过模拟生物进化的过程来解决优化问题。
它不同于传统的遗传算法，是基于个体间的差异性来实现优化的。
差分进化算法的原理差分进化算法的基本原理是通过在候选解向量上进行简单算术运算来生成新的解向量，并通过比较这些解向量的适应度来更新种群。
差分进化算法包括三个关键步骤:1. 初始化种群: 初始种群是随机生成的一组解向量。
2. 变异操作: 通过选择多个解向量，并对它们进行简单算术运算来产生新的解向量。
3. 交叉和选择: 通过比较原解向量和新解向量的适应度来决定是否更新种群。
差分进化算法的优势1.不需要求导: 差分进化算法不需要求解目标函数的梯度，适用于解决非线性、非光滑和高维优化问题。
2.全局最优: 由于其能够维持种群的多样性，因此差分进化算法往往可以找到全局最优解。
3.较少参数设置: 差分进化算法相对于其他优化算法来说，参数配置相对较少，并且对初始参数不敏感。
差分进化算法的应用差分进化算法被广泛应用于各种领域，包括工程优化、机器学习、信号处理等。
1. 工程优化: 在电力系统、通信网络、管道设计等领域，差分进化算法被用来优化系统设计和参数。
2. 机器学习: 在神经网络训练、特征选择、模型调优等方面，差分进化算法常用于搜索最优解。
3. 信号处理: 在图像处理、语音识别、生物信息学等领域，差分进化算法被应用于信号处理和数据分析。
结论差分进化算法作为一种优化算法，通过模拟生物进化的过程，能够有效地解决各种优化问题。
其独特的优势使其在工程、机器学习、信号处理等领域广泛应用。
未来随着算法的不断改进和扩展，差分进化算法将发挥更大的作用，为解决复杂问题提供新的解决方案。
参考文献1.Storn, R., & Price, K. (1997). Differential evolution—a simple and efficient heuristic for global optimization over continuous spaces. Journal of global optimization, 11(4), 341-359.2.Das, S., & Suganthan, P. N. (2011). Differential evolution: a survey of the state-of-the-art. IEEE Transactions on evolutionary computation, 15(1), 4-31.。
nsga 差分进化算法
nsga 差分进化算法NSGA 差分进化算法简介NSGA 差分进化算法，是一种多目标优化算法，以 Pareto 前沿为基础，采用差分进化的方式进行求解。
其主要特点是可以快速准确地寻找到Pareto 前沿上最优的解集。
通过对解集的划分和排序，可以得到一系列最优解，支持决策者做出决策。
具体方法NSGA 差分进化算法的具体实现步骤如下：1. 随机初始化种群，根据评价函数对个体进行排序，得到 Pareto 前沿上的最优解（帕累托前沿）；2. 采用差分进化的方式进行交叉变异，生成新的个体；3. 根据评价函数对新的个体进行排序，得到 Pareto 前沿上的最优解；4. 判断新个体与已有个体的关系，合并优势个体，删除劣势个体；5. 重复2-4步骤，直到满足停止条件。
NSGA 差分进化算法的优点1. 高效：NSGA 差分进化算法具有高效性，可快速找到 Pareto 前沿上的最优解；2. 稳定：在多样性维护的前提下，算法稳定，易于收敛；3. 支持决策：可基于 Pareto 前沿，为决策者提供多种最优方案选择。
应用场景由于该算法高效、稳定且支持决策，所以，NSGA 差分进化算法的应用范围非常广泛。
例如：1. 工艺优化：在制造领域，可以利用该算法进行工艺优化，从而提高生产效率和质量；2. 设计问题：在工程设计领域，可以利用该算法进行最优设计，从而降低成本；3. 决策支持：在决策支持系统中，可以利用该算法为决策者提供多种最优方案供选择。
总结NSGA 差分进化算法是一种多目标优化算法。
该算法具有高效性、稳定性和支持决策的特点，是一种常用的优化算法。
在工艺优化、工程设计和决策支持等领域得到了广泛的应用。
差分进化算法的几个公式
差分进化算法的几个公式差分进化算法（Differential Evolution, DE）是一种优化算法，通常用于解决函数优化问题。
以下是差分进化算法中的几个关键公式：1.生成新个体的公式：对于每个待优化的参数x_j，新个体u_i在第t+1代的值可以通过如下公式计算得到：u_{ij} = x_{r_1j} + F \cdot (x_{r_2j} - x_{r_3j})其中，u_{ij}表示新个体u_i的第j个参数的值，x_{r_1j}、x_{r_2j}、x_{r_3j}分别表示当前代第r_1、r_2、r_3个个体的第j个参数的值（r_1、r_2、r_3是不同的随机整数），F为控制变异程度的参数。
2.选择操作的公式：对于新个体u_i和原个体x_i，如果新个体的适应度函数值f(u_i)优于原个体的适应度函数值f(x_i)，则新个体u_i取代原个体x_i。
3.控制变异程度的公式：常见的控制变异程度的公式是：F_{t+1} = F_t \cdot (1 + rand(-1, 1))其中，F_{t+1}表示第t+1代的控制变异程度参数，F_t表示第t 代的控制变异程度参数，rand(-1, 1)表示在[-1, 1]之间均匀分布的随机数。
除了上述公式，差分进化算法还可以根据具体问题和设计需求进行一些拓展和改进。
例如，可以引入交叉操作，将生成的新个体与原个体进行交叉以产生子代。
常见的交叉操作包括二进制交叉、指数交叉等。
另外，还可以引入种群大小的变化机制，例如采用不同的选择策略，通过选择一些不适应的个体进行淘汰或保留最优的个体。
此外，差分进化算法还可以通过调整参数和策略来提高性能，如采用自适应调整参数的方法、引入多目标优化的技术等。
总体而言，差分进化算法具有很好的可拓展性，可以根据问题的特点和求解需求进行灵活的改进和扩展。
《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。
基于自适应集成的差分进化算法
自适应集成的差分进化算法是一种用于解决优化问题的进化算法。
它结合了自适应性和集成性的特点，能够有效地克服传统差分进化算法在解决复杂和多模态优化问题时的局限性。
本文将对自适应集成的差分进化算法的原理、特点及应用进行详细的介绍。
一、自适应集成的差分进化算法的原理自适应集成的差分进化算法是基于差分进化算法的改进版本。
差分进化算法是一种重要的全局优化算法，它模拟了自然界中生物进化的过程，通过不断地迭代优化当前种裙中的个体，逐渐找到最优解。
传统的差分进化算法主要包括三个操作：变异、交叉和选择。
在变异操作中，通过随机选择种裙中的三个个体来构成一个变异向量，然后将该变异向量加上一个缩放因子得到新的个体。
在交叉操作中，使用一种交叉方式对变异后的个体和种裙中的个体进行交叉，得到子代。
在选择操作中，根据适应度函数的值对父代和子代进行选择，更新种裙。
但是传统的差分进化算法存在一些不足之处，如对种裙大小和变异策略的选择很敏感，对不同问题的适应性差等。
自适应集成的差分进化算法通过引入自适应性和集成性的机制来克服传统差分进化算法的不足之处。
在自适应性方面，自适应集成的差分进化算法通过自适应地调整变异概率和交叉概率来适应不同的问题，提高了算法的鲁棒性和收敛速度。
在集成性方面，自适应集成的差分进化算法通过集成多个差分进化算法的结果，来得到更加鲁棒和高效的优化结果。
通过这种方式，自适应集成的差分进化算法能够更好地适应不同的优化问题，并且具有更高的全局收敛性和优化性能。
二、自适应集成的差分进化算法的特点1. 自适应性强：自适应集成的差分进化算法能够自适应地调整算法的参数，以适应不同的优化问题。
这使得算法更具有鲁棒性和收敛速度。
2. 集成性强：自适应集成的差分进化算法通过集成多个差分进化算法的结果，得到更加鲁棒和高效的优化结果。
这种集成性能够有效地提高算法的全局搜索能力和优化性能。
3. 收敛速度快：自适应集成的差分进化算法能够在较短的时间内找到较好的优化结果，具有较快的收敛速度。
差分进化算法介绍
差分进化算法介绍1．差分进化算法背景差分进化(Differential Evolution，DE)是启发式优化算法的一种，它是基于群体差异的启发式随机搜索算法，该算法是Raincr Stom和Kenneth Price为求解切比雪夫多项式而提出的。
差分进化算法具有原理简单、受控参数少、鲁棒性强等特点。
近年来，DE在约束优化计算、聚类优化计算、非线性优化控制、神经网络优化、滤波器设计、阵列天线方向图综合及其它方面得到了广泛的应用。
差分算法的研究一直相当活跃，基于优胜劣汰自然选择的思想和简单的差分操作使差分算法在一定程度上具有自组织、自适应、自学习等特征。
它的全局寻优能力和易于实施使其在诸多应用中取得成功。
2.差分进化算法简介差分进化算法采用实数编码方式，其算法原理同遗传算法相似刚，主要包括变异、交叉和选择三个基本进化步骤。
DE算法中的选择策略通常为锦标赛选择，而交叉操作方式与遗传算法也大体相同，但在变异操作方面使用了差分策略，即：利用种群中个体间的差分向量对个体进行扰动，实现个体的变异。
与进化策略(Es)采用Gauss或Cauchy 分布作为扰动向量的概率密度函数不同，DE使用的差分策略可根据种群内个体的分布自动调节差分向量(扰动向量)的大小，自适应好；DE 的变异方式，有效地利用了群体分布特性，提高了算法的搜索能力，避免了遗传算法中变异方式的不足。
3.差分进化算法适用情况差分进化算法是一种随机的并行直接搜索算法，最初的设想是用于解决切比雪夫多项式问题，后来发现差分进化算法也是解决复杂优化问题的有效技术。
它可以对非线性不可微连续空间的函数进行最小化。
目前，差分进化算法的应用和研究主要集中于连续、单目标、无约束的确定性优化问题，但是，差分进化算法在多目标、有约束、离散和噪声等复杂环境下的优化也得到了一些进展。
4.基本DE算法差分进化算法把种群中两个成员之间的加权差向量加到第三个成员上以产生新的参数向量，这一操作称为“变异”。
差分进化算法原理
差分进化算法原理差分进化算法是一种基于群体智能的优化算法，由Storn和Price于1995年提出。
该算法通过模拟生物遗传进化的过程，在群体中引入变异、交叉、选择等操作，从而优化目标函数。
相对于传统优化算法，差分进化算法具有收敛速度快、全局搜索能力强等优点，因此在实际工程优化中得到广泛应用。
差分进化算法的基本原理是通过不断改进目标函数来优化群体中的个体。
算法的基本流程如下：1. 初始化：随机生成足够多的初始个体，构成初始群体。
2. 变异：对于每个个体，根据固定的变异策略生成一个变异个体。
3. 交叉：将原个体和变异个体进行交叉，得到一个新的个体。
4. 选择：从原个体和交叉个体中选择更优的一个作为下一代的个体。
5. 更新群体：将新个体代替原个体，同时保留所有代的最优解。
变异策略和交叉方法是差分进化算法的核心部分。
1. 变异策略：变异策略是指在进化过程中，对每个个体进行的变异操作。
常用的变异策略有DE/rand/1、DE/rand/2和DE/best/1等。
“DE”表示差分进化，“rand”表示随机选择其他个体进行变异，“best”表示选择当前代的最优解。
以DE/rand/1为例，其变异操作步骤如下：（1）从群体中随机选择两个个体（除当前个体之外）；（2）根据固定的变异因子F，生成一个变异向量v；（3）计算原个体与变异向量v的差分，得到新的个体。
变异因子F的值通常取0.5-1.0，表示变异向量中各项的取值在变量取值范围内随机变化的程度。
2. 交叉方法：交叉方法是指在变异个体和原个体之间进行的交叉操作。
常用的交叉方法有“二项式交叉”和“指数交叉”等。
以二项式交叉为例，其交叉操作步骤如下：（1）对于变异向量v中的每一维，以一定的概率Cr选择变异向量中的该维，否则选择原个体中的该维；（2）得到新的个体。
Cr表示交叉率，通常取值在0.1-0.9之间。
差分进化算法的收敛性和全局搜索能力与变异策略和交叉方法的选择密切相关。
差分进化算法
C 式中，CR 为交叉概率， R 0,1
rand ( 0 ,1 ) 是 [ 0 ,1 ]上服从均匀分布的随机
ij
数。
这种交叉策略可以确保 v ( g 1) 中至少有一个 分量由 h ( g ) 贡献。交叉过程如图2.2所示。
ij
图2.2 DE交叉操作
(4) 选择操作 由评价函数对向量 v 比较。
在演化算法家族中，相对发展较早的有 进化规划(Evolutionary Programming)、遗传 算法(Genetic Algorithm)等，它们都是基于这 种思想而发展起来的问题求解方法。这些算 法在赋予演化算法自组织、自适应、自学习 等特征的同时，不受搜索空间限制性条件(如 是否可微、是否连续等)的约束，也不需要其 他辅助信息(如梯度)，不仅能获得较高的效率， 而且具有易于操作和通用的特点。
L U
i 1, 2 , , NP ;
g 1, 2 , , T max
X i ( g )、 X i ( g ) 为个体的上、下界， T max 为最大进化代数。
NP 为种群规模，
差异演化算法的实施过程如下： (1)生成初始种群 在维空间随机产生个NP个体，实施措施如下：
x ij ( 0 ) x ij rand ( 0 ,1 )( x ij x ij )
近些年来，随着人们对生命本质的不断 了解，使人工智能的研究开始摆脱经典逻辑 计算的束缚，大胆探索新的非经典计算途径。 在这种背景下，社会性动物(如蚁群、蜂群、 鸟群等)的自组织行为引起了人们的广泛关注， 许多学者对这种行为进行数学建模并用计算 机对其仿真，这就产生了所谓的“群智 能”(Swarm Intelligence，SI)，或称为“群 集智能”。
差分进化算法
差分进化算法
差分进化算法(DifferentialEvolutionAlgorithm，DE)是一种高效的全局优化算法。
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了下来。
它的进化流程则与遗传算法非常类似，都包括变异、杂交和选择操作，但这些操作的具体定义与遗传算法有所不同。
DE的基本原理：
基本思想是从某一组随机产生的初始种群开始，随机选择两个不同的个体向量相减产生差分向量，将差分向量赋予权值后与第三个随机选择的个体向量相加，产生变异向量。
然后将变异向量与预先确定的父代个体向量按一定的规则交叉产生试验向量。
若试验向量的适应度值优于父代个体的向量的适应度值，则选用试验的向量进入下一代，否则保留父代个体向量。
通过不断的进化，保留优胜的个体，引导搜索过程向最优解逼近。
DE的算法流程：
1、基本参数的设置，包括种群规模（NP），缩放因子（F），交叉概率（CR）。
2、初始化种群。
3、计算种群适应度值。
4、终止条件不满足时，依次执行变异、交叉、选择运算进行循环，直到终止运算。
DE的特点：
进化计算是一种具有鲁棒性的方法，能适应不同的环境不同的问题，而且在大多数情况下都能得到比较满意的有效解。
他对问题的整个参数空间给出一种编码方案，而不是直接对问题的具体参数进行处理，不是从某个单一的初始点开始搜索，而是从一组初始点搜索。
因而进化算法具有广泛的应用性，高度的非线性，易修改性和可并行性。
基于优秀个体的差分进化算法及其应用
基于优秀个体的差分进化算法及其应用基于优秀个体的差分进化算法及其应用摘要：差分进化算法是一种常用的优化算法，它通过模拟有生殖能力的个体在自然界中的进化过程，逐步搜索最优解。
然而，传统的差分进化算法可能会陷入局部最优解的困境。
为了克服这个问题，一种新的差分进化算法被提出，即基于优秀个体的差分进化算法。
本文将详细介绍该算法的原理及其在实际问题中的应用。
一、引言差分进化算法是一种基于种群的全局优化算法，最早由Storn 和Price于1995年提出。
它通过模拟个体在自然进化中的变异、交叉和选择过程，不断搜索最优解。
传统的差分进化算法包括三个基本操作，分别是变异操作、交叉操作和选择操作。
其中最关键的是变异操作，它用于生成新的个体。
然而，传统的差分进化算法对于变异操作的设计相对简单，容易陷入局部最优解的问题。
二、基于优秀个体的差分进化算法基于优秀个体的差分进化算法是改进传统差分进化算法的一种方法。
它利用已知的优秀个体来指导新个体的生成，据此提高算法搜索的效率和精度。
具体来说，基于优秀个体的差分进化算法引入了两个新的操作：精英保留和随机引导。
1. 精英保留在传统差分进化算法中，每一代的最优个体都有可能在下一代中被淘汰。
而在基于优秀个体的差分进化算法中，每一代的最优个体都会被保留下来，并直接参与下一代的杂交操作。
这样可以保证每一代的最优解都得到有效的传递和利用，避免陷入局部最优解。
2. 随机引导随机引导是基于优秀个体的差分进化算法的另一个核心操作。
它的目的是利用已知的优秀个体来指导新个体的生成，增加搜索的多样性。
具体做法是在变异操作中，除了利用种群中的其他个体进行变异外，还引入已知的优秀个体进行变异。
这样一来，新个体的生成不仅依赖于当前种群中的个体，还受到优秀个体的影响，增加了搜索的灵活性和全局性。
三、应用基于优秀个体的差分进化算法在各个领域都有广泛应用。
以下将以图像处理和机器学习为例，阐述其应用。
1. 图像处理在图像处理中，基于优秀个体的差分进化算法可以用于图像的分割、去噪和增强等方面。
- 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)。
万方数据万方数据万方数据万方数据万方数据万方数据万方数据万方数据差分进化算法综述作者：杨启文， 蔡亮， 薛云灿， YANG Qi-Wen， CAI Liang， XUE Yun-Can作者单位：河海大学常州校区,计算机与信息工程学院,常州,213022刊名：模式识别与人工智能英文刊名：PATTERN RECOGNITION AND ARTIFICIAL INTELLIGENCE年，卷(期)：2008，21(4)被引用次数：1次1.Lopoz C I L.van Willigenburg L G.van Straten G Efficient Differential Evolution Algorithms for Muhimodal Optimal Control Problems 2003(02)2.Store R.Price K Differential Evolution-A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces 1997(04)3.Storn R.Price K Differential Evolution-A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces[Technical Report,TR-95-012] 19954.刘明广差异演化算法及其改进[期刊论文]-系统工程 2005(02)5.谢晓锋.张文俊.张国瑞差异演化的实验研究[期刊论文]-控制与决策 2004(01)6.Vesterstrom J.Thomsen R A Comparative Study of Differential Evolution Particle Swarm Optimization and Evolutionary Algorithms on Numerical Benchmark Problems 20047.Kim H K.Chong J K.Park K Y Differential Evolution Strategy for Constrained Global Optimization and Application to Practical Engineering Problems 2007(04)8.Omran M G H.Engelbrecht A P Serf-Adaptive Differential Evolution Methods for Unsupervised Image Classification 20069.Zhang Renqian.Ding Jianxun Non-Linear optimal Control of Manufaeturing System Based on Modified Differential Evolution 200610.Dhahri H.Alimi A M The Modified Differential Evolution and the RBF(MDE-RBF)Neural Network for Time Series Prediction 200611.Yang Shiwen.Gan Y B.Qing Anyong Sideband Suppression in Time-Modulated Linear Arrays by the Differential Evolution Algorithm 2002(01)12.Masza A.Pastorino M.Randazzo A Optimization of the Directivity of a Monopulse Antenna with a Subarray Weishting by a Hybrid Differential Evolution Method 2006(01)13.范瑜.金荣洪.耿军平基于差分进化算法和遗传算法的混合优化算法及其在阵列天线方向图综合中的应用[期刊论文]-电子学报 2004(12)14.吴亮红.王耀南.袁小芳自适应二次变异差分进化算法[期刊论文]-控制与决策 2006(08)15.Su C T.Lee C S Network Reconfiguration of Distribution Systems Using Improved Mixed-Integer Hybrid Differential Evolution 2002(12)16.翟捷.王春峰.李光泉基于差分进化方法的投资组合管理模型[期刊论文]-天津大学学报(自然科学与工程技术版) 2002(03)17.Onwubolu G C.Babu B V New Optimization Techniques in Engineering 200418.杨启文.蒋静坪.曲朝霞应用逻辑操作改善遗传算法性能[期刊论文]-控制与决策 2000(04)19.Storn R On the Usage of Differential Evolution for Function Optimization 199620.Chang C S.Xu D Y Differential Evolution Based Tuning of Fuzzy Automatic Train Operation for Mass Rapid Transit System 2000(03)21.Mendes R.Mohais A S DynDE:A Differential Evolution for Dynamic Optimization Problems 200522.Tomislav (S)Sensitivity of Differential Evolution Algorithm to Values of Control Parameters 200223.Das S.Konar A.Chakraborty U K Improved Differential Evolution Algorithms for Handling Noisy Optimization Problems 200524.Brest J.Zumer V.Mancec M S Self-Adaptive Differential Evolution Algorithm in Constrained Real-Parameter Optimization 200625.Nobakhti A.Wang Hong Co-Evolutionary Self-Adaptive Differential Evolution with a Uniform-Distribution Update Rule 200626.Nohakhti A.Wang Hong A Serf-Adaptive Differential Evolution with Application on the ALSTOM Gasifier 200627.Liu mpinen J A Fuzzy Adaptive Differential Evolution Algorithm 2005(06)28.Fan mpinen J A Trigonometric Mutation Operation to Differential Evolution 2003(01)29.Schmidt H.Thierauf G A Combined Heuristic Optimization Technique 2005(01)30.Blackwell T.Branke J Multi-Swarm Optimization in Dynamic Environments 200531.Lin Y C.Wang Fengsheng.Hwang K S A Hybrid Method of Evolutionary Algorithms for Mixed-Integer Nonlinear Optimization Probleras 199932.Ali M M Differential Evolution with Preferential Crossover 2007(03)33.Tasgetiren M F.Suganthan P N A Multi-Populated Differential Evolution Algorithm for Solving Constrained Optimization Problem 200634.Parsopoulos K E.Tasoulis D K.Pavlidis N G Vector Evaluated Differential Evolution for Multi-Objective Optimization 200435.Wang Yongjun.Zhang Jiangshe.Zhang Galying A Dynamic Clustering Based Differential Evolution Algorithm for Global Optimization 2007(01)36.Ahuja R K.Odin J B Developing Fitter Genetic Algorithms 1997(03)37.Kaelo P.All M M A Numerical Study of Some Modified Differential Evolution Algorithms 2006(03)38.Yan Jingyu.Ling Qing.Sun Detain A Differential Evolution with Simulated Annealing Updating Method 200639.Chakraborty U K.Das S.Konar A Differential Evolution with Local Neighborhood 200640.Chiou J P.Chang C F.Su C T Ant Direction Hybrid Differential Evolution for Solving Large Capacitor Placement Problems 2004(04)41.Bergey P K.Ragsdale C Modified Differential Evolution:A Greedy Random Strategy for Genetic Recombination 2005(03)1.期刊论文蔡亮.杨启文.岳兴汉.CAI Liang.Yang Qi-wen.YUE Xing-han一种基于混合差分策略的改进差分进化算法-河海大学常州分校学报2007,21(4)对启发式优化算法中的差分进化算法进行改进.在进化过程中并行交叉采用DE/rand/1/exp和DE/beat/1/exp差分策略,应用聚集度因子进行种群重构,缩小了种群重构后的搜索范围,有效避免了种群重构的随机性.仿真结果表明,改进算法与使用单一差分策略的差分进化算法及PSO算法相比,寻优能力得到了显著提高.1.李丽莉.章卫国.刘小雄.章萌基于混沌差分进化FCM算法的舵回路故障诊断[期刊论文]-测控技术 2009(5)本文链接：/Periodical_mssbyrgzn200804013.aspx授权使用：都晓东(wfqinghua)，授权号：677efca8-9058-46a5-83a9-9dff01003ba5下载时间：2010年9月28日。