应用精英反向学习策略的混合差分演化算法

作者：汪慎文 丁立新 谢承旺 郭肇禄 胡玉荣差分演化一般反向学习精英反向学习参数敏感性变异策略

摘要：针对传统差分演化算法在演化后期收敛速度变慢的问题,利用精英个体的良好信息,在一般反向学习方法的基础上,提出精英反向学习策略,并融合降低参数敏感性和变异策略敏感性的机制,设计了一种基于精英反向学习策略的混合差分演化算法（EOCoDE）,从理论上证明了该算法的全局收敛性.新算法使用精英反向策略初始化种群,在进化过程中,如果满足预设定的学习概率,就执行精英反向算子,否则,随机组合参数知识库和策略知识库中的知识来产生差分演化种群.对比实验结果表明,精英反向学习策略比一般反向学习策略具有更强的搜索能力,EOCoDE算法的性能具有明显优势.

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社