**02 Differential Evolution with Multi-Population Based Ensemble of Mutation Strategies

1.论文题目和关键词
Title:
Differential Evolution with Multi-Population Based Ensemble of Mutation Strategies
基于多种群变异策略组合的差分进化算法
Keywords:
Evolutionary algorithm进化算法;
Differential evolution差分进化算法;
Multi-population多种群;
Ensemble of mutation strategies变异策略组合;
Numerical optimization数值优化.

2.摘要大意
Differential evolution (DE) is among the most efficient evolutionary algorithms (EAs) for global optimization and now widely applied to solve diverse real-world applications. As the most appropriate configuration of DE to efficiently solve different optimization problems can be significantly different, an appropriate combination of multiple strategies into one DE variant attracts increasing attention recently. In this study, we propose a multi-population based approach to realize an ensemble of multiple strategies, thereby resulting in a new DE varia

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
差分进化算法 (Differential Evolution, DE) 是一种经典的进化计算算法,其主要优点是简单易实现、参数少、收敛性好等。然而,传统的DE算法在面对复杂的优化问题时,其性能表现受到限制。 为了进一步提高DE算法的性能,可以考虑在其基础上引入自适应和反向学习策略。其中,自适应策略主要包括自适应控制参数和自适应变异策略;反向学习策略则是利用历史搜索信息来指导当前搜索过程。 具体地,融合自适应和反向学习策略的差分进化算法 (Adaptive and Reverse Learning Differential Evolution, ARLDE) 可以通过以下步骤实现: 1. 初始化种群:随机生成一组初始个体,作为种群的起始状态。 2. 自适应控制参数:根据当前种群的适应度情况,动态调整控制参数,如交叉概率和缩放因子等,以提高搜索效率。 3. 自适应变异策略:根据当前种群的适应度情况,自适应地调整变异策略,如基于个体历史信息的变异策略、基于种群历史信息的变异策略等,以提高搜索精度。 4. 反向学习策略:利用历史搜索信息来指导当前搜索过程,如采用基于历史最优解的搜索方向等。 5. 重复迭代:根据上述自适应和反向学习策略,不断迭代更新种群,直到达到预设的停止条件。 ARLDE算法通过引入自适应和反向学习策略,可以有效提高差分进化算法的优化性能,特别是在面对复杂的优化问题时,其表现更为出色。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值