均匀邻域对位的自适应差分进化算法

赵新超，熊 卿，冯 帅

(北京邮电大学理学院，北京 100876)

0 引言

差分进化(differential evolution,DE)由文献[1]提出，它是一种有效、简单、鲁棒的全局优化算法。该算法以初始种群向量开始搜索，关键思想在于构造差分变异信息，该信息来自于当前群体中不同个体的差异性，即不同个体的差分向量信息。近些年来，DE的发展得到学者的广泛关注[2-11]。为了提升差分算法的性能，Rahnamayan等[12]引入了对位学习(opposition-based learning， OBL)概念。OBL背后的主要思想是同时考虑当前位置及其相应的对位估计，以便实现对当前候选解和对位解的同时搜索。OBL策略已经被用于很多群智能优化算法研究中[12-16]。OBL被用于提升差分算法性能，这种方法被称为基于对位学习的差分进化(opposition-based differential evolution，ODE)[12]。ODE在种群初始化期间同时使用对位点，并且还用于进化过程中产生的新的种群。ODE自提出之后，因其收敛速度加快的特性被学者深入研究：文献[17]将种群划分为精英种群和普通种群，分别采用标准的和基于反向学习的差分进化策略，提出一种基于对位学习的跨种群差分进化算法；文献[18]通过反向精英学习机制和高斯随机分布提高算法的性能，提出一种基于反向学习的自适应差分进化算法。

先前对差分算法的研究使得算法性能得到了不同程度的提升，随着OBL策略引入差分算法，收敛速度慢的问题得到有效改善。然而，ODE易陷入局部最优以及早熟收敛等，这些不足问题还没有得到有效解决。针对此问题，本文提出了基于均匀邻域对位的自适应差分进化……