一种基于选择策略的差分混合蛙跳算法

计算机工程与科学

一种基于选择策略的差分混合蛙跳算法

王林1，万小雨1,万建超2

(1.华中科技大学管理学院,湖北武汉 430074;2.普天信息技术有限公司，北京 100080)

收稿日期:2016-08-17 修回日期:2016-11-14 出版日期:2018-01-25 发布日期:2018-01-25
基金资助:
国家自然科学基金(71602015,71531009);教育部人文社科规划项目(15YJA630095)

A hybrid differential shuffled frog leaping

algorithm based on selection strategy

WANG Lin1,WAN Xiao-yu1,WAN Jian-chao2

(1.School of Management,Huazhong University of Science and Technology,Wuhan 430074;

2.Potevio Information Technology Co. Ltd.,Beijing 100080,China)

Received:2016-08-17 Revised:2016-11-14 Online:2018-01-25 Published:2018-01-25

摘要/Abstract

摘要：

设计了一种选择差分混合蛙跳算法SDSFLA，该算法通过增加组内个体更新个数提高了种群更新效率；通过引入差分进化算法的交叉算子和变异算子，加强了个体之间的信息交流；使用多种更新策略，提高了实验个体产生的成功率；随机选择控制参数，增加了种群的多样性。基于16个基准测试函数，将SDSFLA与一种改进的蛙跳算法、两种改进的差分进化算法进行对比，实验结果证实了SDSFLA算法的有效性和稳定性。

关键词: 混合蛙跳算法, 差分进化, 实验个体选择, 资源池

Abstract:

A Selected Differential Shuffled Frog Leaping Algorithm (SDSFLA) is proposed. Compared with the classic Shuffled Frog Leaping Algorithm (SFLA), SDSFLA improves the efficiency of populationupdatingby increasingthe number of updated vectors, uses thecrossover operator and mutation operator of Differential Evolution(DE) to strengthen information exchanges between vectors, uses multiple updating strategies to improve the success rate of the trial vectors, and increases the diversity of the population viarandomly-selected control parameters.Based on 16 benchmark functions, SDSFLA is compared with an improved frog leaping algorithm and two improved differential evolution algorithms. The test results confirm the validity and stability of the SDSFLA algorithm.

Key words: shuffled frog leaping algorithm, differential evolution, trial vector selection, resource pool

王林1，万小雨1,万建超2. 一种基于选择策略的差分混合蛙跳算法[J]. 计算机工程与科学.

WANG Lin1,WAN Xiao-yu1,WAN Jian-chao2.

A hybrid differential shuffled frog leaping

algorithm based on selection strategy

[J]. Computer Engineering & Science.

[1]	叶坤涛, 舒蕾蕾, 李文, 侯春菊. 基于差分进化策略的天牛须搜索算法及其应用[J]. 计算机工程与科学, 2023, 45(05): 920-930.
[2]	凌文通, 倪建军, 陈颜, 唐广翼. 基于改进鸽群优化算法的多无人机目标搜索[J]. 计算机工程与科学, 2022, 44(03): 531-535.
[3]	张明珠, 曹杰, 王斌. 基于精英集的多目标差分进化聚类算法[J]. 计算机工程与科学, 2021, 43(01): 170-179.
[4]	胡福年，董倩男. 多策略自适应变异的差分进化算法及其应用[J]. 计算机工程与科学, 2020, 42(06): 1076-1088.
[5]	覃远年，梁仲华. 基于混合粒子群算法的运动估计研究[J]. 计算机工程与科学, 2019, 41(04): 758-764.
[6]	马永杰，朱琳，田福泽. 基于精英种群策略的协同差分进化算法[J]. 计算机工程与科学, 2019, 41(02): 335-.
[7]	宋强1,刘亚萍2,刘珍兰1. 基于多代种群进化信息改进的差分进化算法研究[J]. 计算机工程与科学, 2018, 40(11): 2054-2059.
[8]	黄辉先，胡鹏飞. 基于共轭梯度法的反馈差分进化混合算法及其在弹簧设计中的应用[J]. 计算机工程与科学, 2018, 40(07): 1316-1322.
[9]	戴月明，张明明，王艳. 协同进化混合蛙跳算法[J]. 计算机工程与科学, 2018, 40(01): 139-147.
[10]	朱林波，汪继文，邱剑锋，方柳平. 基于简化群优化算法和协方差矩阵学习的差分进化算法[J]. 计算机工程与科学, 2017, 39(11): 2122-2130.
[11]	庞凯立，梁昔明. 嵌入共轭梯度法的混合蛙跳算法[J]. 计算机工程与科学, 2017, 39(10): 1958-1965.
[12]	常小刚，赵红星. 基于三角函数搜索因子的混合蛙跳算法[J]. 计算机工程与科学, 2016, 38(11): 2362-2367.
[13]	徐曼舒，汪继文，邱剑锋，王心灵. 基于改进人工蜂群的模糊C-均值聚类算法[J]. J4, 2016, 38(06): 1238-1243.
[14]	喻金平1,张勇2,廖列法2,梅宏标3. 一种改进的混合蛙跳和K均值结合的聚类算法[J]. J4, 2016, 38(02): 356-362.
[15]	王林1，彭璐1，夏德2，曾奕1. 自适应差分进化算法优化BP神经网络的时间序列预测[J]. J4, 2015, 37(12): 2270-2275.