差分进化算法的改进及其应用

差分进化算法[1](Differential Evolution Algorithm，简称DE)作为一种较新的全局优化进化算法,自1995年由Rainer Storn和Kenneth Price提出以来，就以其收敛性好,模型简单,容易实现,控制参数比较少而得到广泛应用。因此,差分进化算法在各种演化算法中脱颖而出，近几年来发展十分迅速，越来越受到人们的关注，其应用也越来越广泛。 本文介绍了差分进化算法的基本原理，详细实现过程，参数控制研究及其对算法性能的影响。与其他进化算法相比，差分进化算法虽然有很多优点,但其缺点也是不可忽视的，如常规的差分进化算法可能陷入局部最优，而且存在停滞现象,容易使算法收敛停止。鉴于此，本文提出对差分进化算法进行改进,包括对控制参数的改进和差分进化策略的改进,并用基准函数对其进行测试，结果表明改进的有效性，改进后既防止了停滞现象,也加快了收敛速率,并使算法能收敛到全局最优。 传统的K-均值聚类算法中的K值难以确定，且对初始聚类中心的选择敏感，容易陷入局部最优，而差分进化算法是一类基于种群的实数编码的具有保优思想的启发式全局搜索技术，且对于实值参数的优化具有很强的鲁棒性。因此为了克服K-均值聚类算法的缺点，本文提出基于差分进化算法的K-均值聚类算法，该方法结合K-均值聚类算法的高效性和差分进化算法的全局优化能力，将聚类数K作为一个参数来处理，同时对差分进化算法产生的新一代种群插入一次K-均值聚类算法，这样就可以加快收敛速度，不仅找到了最好的聚类数K，较好地解决了聚类中心的优化问题，而且得到了在该K之下的最佳聚类结果，实现对传统的聚类方法的改进。通过实例演算，结果表明，此算法能够有效地改善聚类算法的性能。