基于精英种群策略的协同差分进化算法

计算机工程与科学

基于精英种群策略的协同差分进化算法

马永杰，朱琳，田福泽

（西北师范大学物理与电子工程学院,甘肃兰州730070）

收稿日期:2017-04-21 修回日期:2018-01-23 出版日期:2019-02-25 发布日期:2019-02-25
基金资助:
国家自然科学基金（41461078）

A cooperative differential evolution

algorithm with elitist-population strategy

MA Yongjie，ZHU Lin，TIAN Fuze

（College of Physics and Electronic Engineering,Northwest Normal University,Lanzhou 730070,China）

Received:2017-04-21 Revised:2018-01-23 Online:2019-02-25 Published:2019-02-25

摘要/Abstract

摘要：

针对差分进化算法在处理函数优化时存在的过早收敛和易陷入局部最优的问题，提出了一种基于精英种群策略的协同差分进化算法。在优化过程中，首先对种群进行适应度值评估和排序，提取前N个优秀个体组成精英种群，其余个体随机分为3个等大的子种群，每个子种群采取不同的进化策略，以此来保证种群的多样性；然后每隔一定代数，根据新的适应度值更新精英种群和其余3个子种群，这样可以有效地避免算法陷入局部最优；最后，将所提出的算法与4个先进的差分进化算法在CEC2014的30个标准测试函数上进行对比实验。实验结果表明，所提出的算法能够有效提高收敛速度，具有较高的收敛精度和较好的优化性能。

关键词: 差分进化, 函数优化, 精英种群, 协同进化, 参数自适应

Abstract:

To solve the problems of premature convergence and easy falling into local optimum in the differential evolution algorithm when dealing with function optimization problems of population diversity, we propose a cooperative differential evolution algorithm with elitistpopulation strategy (ESCDE). In the population optimization process, we firstly evaluate population fitness, extract the first several excellent individuals as the elite population and divide the others randomly into three sub-populations of the same size. Each subpopulation adopts a different evolution strategy to guarantee the diversity of the population and improve the performance of the algorithm. And then, the elite population and the remaining three subpopulations are updated according to the new fitness value to avoid falling into local optimum. Finally, comparison are made between the proposed algorithm and four other advanced differential evolution algorithms on 30 standard test functions in CEC2014. Experimental results indicate that the proposed algorithm can improve convergence speed effectively with higher convergence precision and better optimization performance.

Key words: differential evolution, function optimization, elitist-population, cooperative evolution, parameter adaptive

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.

MA Yongjie，ZHU Lin，TIAN Fuze.

A cooperative differential evolution

algorithm with elitist-population strategy

[J]. Computer Engineering & Science.

[1]	张永智, 何可人, 戈珏. 改进YOLOv7网络在低空遥感图像目标检测中的应用[J]. 计算机工程与科学, 2024, 46(07): 1269-1277.
[2]	黄学雨, 罗华. 融合正余弦策略的算术优化算法[J]. 计算机工程与科学, 2023, 45(07): 1320-1330.
[3]	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.
[4]	申晓宁, 游璇, 陈庆洲, 潘红丽, 黄遥. 采用双档案协同进化离散多目标烟花算法的低碳疫苗冷链优化配送[J]. 计算机工程与科学, 2022, 44(12): 2255-2265.
[5]	尹德鑫, 张达敏, 蔡朋宸, 秦维娜. 改进的麻雀搜索优化算法及其应用[J]. 计算机工程与科学, 2022, 44(10): 1844-1851.
[6]	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.
[7]	谢聪, 郑洪清. 一种新型的樽海鞘群算法及其应用[J]. 计算机工程与科学, 2022, 44(01): 184-190.
[8]	刘炼, 付绍昌, 黄辉先. 基于醉汉漫步和反向学习的灰狼优化算法[J]. 计算机工程与科学, 2021, 43(09): 1558-1566.
[9]	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.
[10]	王依柔, 张达敏, 樊英. 非均匀变异的互利自适应缎蓝园丁鸟优化算法[J]. 计算机工程与科学, 2020, 42(12): 2233-2241.
[11]	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.
[12]	赵志刚，莫海淼，温泰，李智梅，郭杨. 一种自适应调整种群子代数量与步长的优化算法——爆米花算法[J]. 计算机工程与科学, 2019, 41(05): 900-909.
[13]	常小刚1，赵红星2. 动态调节因子的邻域搜索人工蜂群算法[J]. 计算机工程与科学, 2019, 41(04): 673-681.
[14]	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.
[15]	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.