差分进化算法_基于状态估计反馈的策略自适应差分进化算法

差分进化算法框架下，借鉴闭环控制思想，设计状态评价因子，通过计算种群个体的进化状态估计值，实现变异策略的自适应切换，指导下一代种群的进化，以提高算法搜索性能。

王柳静, 张贵军, 周晓根. 基于状态估计反馈的策略自适应差分进化算法. 自动化学报, 2020, 46(4): 752-766

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c170338

差分进化 (Differential evolution，DE) 算法在优化求解过程中采用个体之间的竞争与合作机制指导种群搜索全局最优解，其特有的记忆功能使其可以根据当前的搜索情况，动态调整搜索方向。DE算法原理简单，易于实现，自Rainer Storn和Kenneth Price于1997年提出至今在多个领域得到了广泛应用。

DE 算法通过种群的迭代进化实现最优解搜索，其搜索能力很大程度上依赖差分向量对当前候选个体的扰动，随着进化过程中种群个体之间的差异逐渐减小，单一的策略和参数很难在种群的全局探测(Exploration)能力和局部增强(Exploitation)能力之间进行平衡。如何判定个体所处的阶段，进而在此基础上设计阶段特定的策略和参数，是本文提高算法搜索性能的关键。

现有DE 算法实质上是一个开环优化过程，无法通过输出来动态调整进化算子的策略和参数。本文通过引入反馈环节将种群个体的搜索过程动态划分为全局探测阶段和局部增强阶段，切换特定阶段的全局探测或局部增强变异策略，