基于差分进化算法的异构型分布式阵列优化（文献阅读自用）

应用：阵列优化

主要看算法改进部分

一.差分进化算法改进---收敛能力更强，收敛速度更快

1.传统差分进化算法

按变异，交叉，评价选择淘汰，利用个体差异产生新个体，主要参数有NP，F，CR，Gmax,好的参数是成功的关键。

a.一般来说，NP越大，种群多样性高，全局搜索能力强，但是收敛慢，复杂度高计算量大，一般NP在5D到10D，D为问题维度。

b.变异为基向量+缩放差分向量。策略很多，二项式的和指数交叉的，不同策略有不同特点，大概可以总结为多样性高全局性好局部开发弱收敛慢的和多样性低局部开发强全局勘探弱收敛快。

c.F和CR也会影响算法性能,F大全局好收敛差，F小全局差收敛快。

d.交叉一定程度增加种群多样性，CR也是一个关键参数

e.选择淘汰:一对一淘汰机制

f.边界处理:随机产生和边界融合

2.该文改进的地方

DE：收敛快全局好参数少鲁棒性好但易如局部。现在改进主要在进化算子，种群结构，参数，算法融合方面进行改进。

a.变异策略改进

算法前期：侧重全局搜索，充分发挥种群潜力，保持多样性大范围搜索。

后期：侧重局部搜索和最优个体，加快收敛

故两个策略采用权值进行结合，权值随迭代次数变化，不同时期会偏向两种策略中的一种，并且还加入扰动策略（第i个个体最小维值+随机数*（第i个该条最大维值-第i个个体最小维值））得。怕早熟怕停滞在基础上采用二次扰动变异，rand是标准高斯分布随机数，还利用了当前最优个体。

b.选择淘汰的改进

这个满足阈值rand>=threshold,适应度低的保留可加快进化，满足rand<threshold,适应度值高的保留可增加种群多样性，有利于种群进化。

c.控制参数改进

F和CR会对种群进化方向及搜索范围有影响。

初始种群中每个个体都会有一个初始的F和CR，后面的自适应通过这个F和CR参数是否会使得产生更好的个体u,若产生更好的个体u,则下一次迭代参数是保留的，如果没有，则下一代会重新产生该个体的一套F和CR。