一种基于反向学习的约束差分进化算法

被引：34

作者：

魏文红 ^{[1
]}

周建龙 ^{[2
]}

陶铭 ^{[1
]}

袁华强 ^{[1
]}

机构：

[1] 东莞理工学院计算机学院

[2] 西安交通大学城市学院计算机系

来源：

电子学报 | 2016年 / 44卷 / 02期

基金：

广东省自然科学基金;

关键词：

反向学习; 差分进化; 约束优化; 收敛性;

D O I：

暂无

中图分类号：

TP18 [人工智能理论];

学科分类号：

140502 [人工智能];

摘要：

差分进化算法是一种结构简单、易用且鲁棒性强的全局搜索启发式优化算法,它可以结合约束处理技术来解决约束优化问题.机器学习在进化算法中,经常可以引导种群的进化,而且被广泛地应用于无约束的差分进化算法中,但对于约束差分进化算法却很少有应用.针对这一情况,提出了一种基于反向学习的约束差分进化算法框架.该算法框架采用基于反向学习的机器学习方法,提高约束差分进化算法的多样性和加速全局收敛速度.最后把该算法框架植入了两个著名的约束差分进化算法:(μ+λ)-CDE和ECHT,并采用CEC 2010的18个Benchmark函数进行了实验评估,实验结果表明:与(μ+λ)-CDE和ECHT相比,植入后的算法具有更强的全局搜索能力、更快的收敛速度和更高的收敛精度.

引用

页码：426 / 436

页数：11

共 7 条

[1]

Engineering optimization by means of an improved constrained differential evolution.[J].Wenyin Gong;Zhihua Cai;Dingwen Liang.Computer Methods in Applied Mechanics and Engineering.2014,

[2]

A review of opposition-based learning from 2005 to 2012.[J].Qingzheng Xu;Lei Wang;Na Wang;Xinhong Hei;Li Zhao.Engineering Applications of Artificial Intelligence.2014,

[3]

Parallel differential evolution with self-adapting control parameters and generalized opposition-based learning for solving high-dimensional optimization problems [J].