针对约束优化问题改进差分进化算法（文献阅读自用）

        从差分进化算法在约束优化问题上求解精度差，收敛慢出发，改进DE。

一.改进方法

1.初始化和进化过程用广义反向学习产生反向种群。----增加种群多样性、提高搜索效率、加快收敛。

2.用自适应权衡模型计算个体适应度并排序。

3.改进变异策略和个体选择机制执行变异操作。-----提高种群多样性

4.原种群和变异种群混合适应度排序产生新种群，于常规贪婪选择不同

分析有效性，算法对比------收敛精度，速度提高。

二.约束优化问题

1.约束优化问题因约束条件限制使可行域小，搜索空间复杂使得算法对其求解难。

2.约束条件处理难，增加算法求解难度--（约束处理技术）

3.DE结构简单参数少，收敛性搜索能力强，将DE+约束处理技术解决约束优化问题

        改进的自适应约束DE---个体评价侧重算法违法约束，后期解精度不高，种群保持一定的不可行解有利于提高收敛，也是找到全局最优解的关键。

        变异过程父代向量随机排序，---多样性提高但是收敛变慢。

        广义反向学习策略初始化种群，---利用了反向解信息，但进化过程没有用到，没有充分体现该策略的优势。

        缩放因子的选择---是否对种群多样性和最优解有利。

三.了解相关知识

1.什么是约束优化问题

        即决策变量有---等式约束，不等式约束，边界约束等的问题叫约束优化问题。决策空间是非常复杂的，对优化算法及约束处理技术的要求很严苛。并且对于等式约束一般转为不等式约束进行处理，一般加一个或者减一个校正因子。

2.广义反向学习策略是什么

        就是求一个相反的解

3.自适应权衡模型机制

        为了处理约束问题不满足约束条件的个体，即处理约束条件对适应度值的影响。将种群个体分为不可行，半可行，可行状态分别计算适应度值。不同状态下的个体计算适应度值的方式不一样。

1.不可行状态个体即不满足约束，用违约值代替适应度值。

2.半可行状态个体一部分满足约束，一部分不满足，要做相应转化后才能得适应度值。

3.可行状态个体满足约束，直接用适应度函数计算适应度值。

四.改进算法相关改进点

1.个体选择机制

利用广义反向学习策略从种群初始化到进化过程到结束，通过原种群和反向种群合并取最好的NP个作为下一代种群。父代种群与实验种群合并取最好的NP个。可加快进化，一定程度避免局部最优。

2.差分变异

a.个体排序及概率计算

        差分变异过程为了更好利用有效个体，根据适应度值排序构造了一个概率选择模型来选择个体参与变异。

b.自适应变异策略

        DE/rand/2后期效率低收敛慢，DE/best/2效率高，种群多样性难维持。这里就是一个概率选择策略的问题，这个概率前期应多选择DE/best/2加快收敛，后期应多选择DE/rand/2维持种群多样性。（并且注意超出边界的要边界处理--随机产生或边界融合）。

3.自适应F和CR

4.算法测试与分析

1.测试函数--算法比较--最好值，最差值，平均值，标准差，评价次数等...

2.参数调试

3.从收敛速度角度

4.从寻优精度的角度

5.从寻优稳定性的角度

6.其它角度，如陷入局部的概率，多样性如何，对有效个体利用率如何等