主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2018年第12期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
李学强,黄翰,郝志峰.基于邻域差分和协方差信息的单目标进化算法.软件学报,2018,28(9):2606-2615
基于邻域差分和协方差信息的单目标进化算法
Evolutionary Algorithm for Single-Objective Optimization Based on Neighborhood Difference and Covariance Information
投稿时间:2017-04-26  修订日期:2017-07-10
DOI:10.13328/j.cnki.jos.005397
中文关键词:  单目标优化  进化算法  差分进化  协方差进化  多样性保持
英文关键词:single-objective optimization  evolutionary algorithm  differential evolution  the covariance evolution  diversity maintenance
基金项目:国家自然科学基金(61370102);广东省杰出青年自然科学基金(2014A030306050);教育部-中国移动科研基金(MCM20160206);广东高层次人才特殊支持计划(2014TQ01X664);东莞理工学院博士启动基金(GC300502-3);广东省创新强校工程项目(2017KQNCX190)
作者单位E-mail
李学强 东莞理工学院 计算机与网络安全学院, 广东 东莞 523808  
黄翰 华南理工大学 软件学院, 广东 广州 510006 hhan@scut.edu.cn 
郝志峰 佛山科学技术学院 数学与大数据学院, 广东 佛山 528000  
摘要点击次数: 1374
全文下载次数: 893
中文摘要:
      复杂的单目标优化问题是进化计算领域的一个研究热点问题,已有差分进化和协方差进化被认为是处理该问题的较有效方法,其中,差分信息类似于梯度可以有效地指导算法朝着最优解方向搜索,而协方差则是基于统计的方式来生成较优的子代种群.引入了协方差信息对差分算子进行改进,提出了一种基于邻域差分和协方差信息的进化算法(DEA/NC)来处理复杂的单目标优化问题.算法对现有差分算子中通常采用的随机选点或结合当前最优解进行差分的方式进行了分析:当随机选择的差分个体间的差异较大时,差分信息不能作为一种局部的梯度信息来指导算法的搜索;而结合最优解的差分信息又会使得种群朝着当前最优解的方向搜索,导致种群快速地陷入局部最优.基于此,采用了邻域差分的方式来提高差分算子的有效性,同时避免种群的多样性丢失.另外,引入了协方差来度量个体变量间的相关度,并利用相关度来优化差分算子.最后,算法对cec2014中的单目标优化问题进行了测试,并将实验结果与已有较好的差分进化算法进行了比较,实验结果表明了该算法的有效性.
英文摘要:
      Complex single-objective optimization problem is a hot topic in the field of evolutionary computation. Differential evolution and covariance evolution are considered to be two of the most effective algorithms for this problem, as the difference information similar to the gradient can effectively guide the algorithm towards the optimal solution direction, and the covariance is based on statistics to generate an offspring population. In this paper, the covariance information is introduced to improve the difference operator, then an evolutionary algorithm based on neighborhood difference and covariance information (DEA/NC) is proposed to deal with complex single-objective optimization problem. The two commonly used difference operators generated by random selection individuals and combined by the current optimal solution are analyzed. With the first approach, the difference information cannot be used as a local gradient information to guide the search of the algorithm when the Euclidean distance between randomly selected individuals is large. Meanwhile, the second approach will make the population search in the direction of the current optimal solution, which will lead the population to quickly fall into local optimum. In this paper, a neighborhood difference method is proposed to improve the effectiveness of the differential operator while avoiding the diversity of population loss. In addition, a covariance is introduced to measure the correlation between individual variables, and the correlation is used to optimize the difference operator. Finally, the algorithm tests the single-objective optimization problem in cec2014, and compares the results with the existing differential evolution algorithms. The experimental results show the effectiveness of the proposed algorithm.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利