一种自适应变异策略的集体决策优化算法

(长江大学信息与数学学院，湖北 荆州 434023)

随着计算机的不断发展，人们提出了越来越多的元启发式算法，并广泛地运用到复杂的函数优化问题上。这些元启发式算法大致可以分为基于进化的元启发式算法、基于物理的元启发式算法和基于群体的元启发式算法3类。常见的基于进化的元启发式算法有遗传算法(GA)[1]、差分进化算法(DE)[2]、回溯搜索优化算法(BSA)[3]，基于物理的元启发式算法有模拟退火算法(SA)[4]、黑洞算法(BH)[5]、引力搜索算法(GSA)[6]，基于群体的元启发式算法有蚁群优化算法(ACO)[7]、粒子群优化算法(PSO)[8]、人工蜂群优化算法(ABC)[9]。随着对算法的进一步研究，人们提出了很多改进的策略来增强算法的性能，包括改进的自适应差分进化算法(ADE)[10]、自适应变异尺度系数和混合选择的回溯搜索算法(FS-BSA)[11]、基于多变异策略的自适应差分进化算法(ADE-MM)[12]。这些算法基本上都是在收敛速度和全局搜索能力之间做出改进。

集体决策优化算法(CDOA)是张清华博士于2016年受到集体决策行为启发提出的一种基于种群的进化算法[13]。每个决策者相当于每次迭代的个体，决策者之间进行交流最终产生的方案就相当于最优解。CDOA共有5步变异策略，分别是个体最优、较好的其他个体、种群重心、全局最优学习以及对局部最优个体的变异，这些策略加快了算法的收敛速度，但种群多样性不够，并且算法在每一次迭代过程中需要5次函数评价，大大增加计算成本。

针对CDOA的不足，笔者提出了一种自适应变异策略的集体决策优化算法(ACDOA)，在变异策略中以一种自适应的概率在增大种群多样性和加快收敛速度的这2个变异算子中选择1个作为变异算子对每一个个体进行变异。……