自适应控制参数差分

自适应控制参数差分

进化：比较研究

数值基准问题

亚内兹·布雷斯特，会员，IEEE，格雷纳苏海涵，的Borko博斯科维奇，马里安Mernik，会员，IEEE，

IEEE会员，Viljem Zumer

摘要：我们描述了一个高效的自适应控制技术

相关的参数设置与差分进化（DE）。

对DE算法已被用在许多实际情况下，并具有

表现出良好的收敛性。它只有少数控制

参数，这些参数在整个演化中保持固定

的过程。然而，这是不是一件容易的事，正确地设置控制

在DE的参数。我们提出了一个算法的新版本

对DE算法获得自适应控制参数

设置showgood性能数值基准

的问题。结果表明，我们的算法与自适应

控制参数的设置优于或至少与

，标准算法和进化算法

文献中得到的解决方案时，考虑质量。

关键词：自适应参数控制，差分进化

（DE），进化优化。

引言

差分进化（DE）是一个简单而强大

全局优化的进化算法（EA）介绍

由价格和Storn [1]。DE算法已逐渐

变得越来越流行，并且已经用于许多实际情况中，

主要是因为它已经表现出良好的收敛性能

是主要容易理解的[2]。

EAS [3]是一个广泛的一类随机优化算法

灵感来自生物学，特别是那些生物

允许种群organizms的适应自己的过程

周边环境：遗传和生存

优胜劣汰。中介公司有一个突出的优势超过其他类型的

数值计算方法。他们只需要客观的信息

函数本身，它可以是明确的或隐含的。

其他配件性能，如可微性或连续性

是没有必要的。因此，他们更灵活处理

广泛的问题。

当使用一个有效地址（EA），它也是必要指定候选

解决方案将被改变，以产生新的解决方案[4]。

EA可能有参数，例如，突变的概率，

比赛的大小选择，或人口规模。

手稿收到2005年6月14日，9月19日修订，2005年和

2005年11月9日。这项工作是由斯洛文尼亚的研究部分支持

根据计划署P2-0041，计算机系统，方法，

智能服务。

作者是计算机架构和语言实验室，

计算机科学学院，电气工程学院，

马里博尔大学，计算机科学，SI-2000，斯洛文尼亚马里博尔（电子邮箱：janez.brest @ UNI-mb.si的saso.greiner单向mb.si; borko.boskovic @单向mb.si; marjan.mernik @ UNI-mb.si zumer@uni-mb.si）。

数字对象标识符10.1109/TEVC.2006.872133

这些参数值大大确定质量

得到的溶液和搜索的效率[5] - [7]。

开始的一些猜到解决方案的，多算法

更新一个或多个的解决方案中以协同方式

希望操纵朝向的最佳人口[8]，[9]。

选择合适的参数值，频繁，problemdependent的

的任务，需要用户的以往的经验。尽管

其至关重要，也没有一致的方法

用于确定一个EA的控制参数，它们是，大多数

[4]的时候，一些预定义的范围内任意设定。

在他们的早期阶段，中介并没有通常包括控制参数

作为一个不断发展的对象，但认为他们

外部固定参数。后来，人们认识到，为了

以达到最佳收敛，这些参数必须被改变

在进化过程本身[5]，[7]。

随着时间的推移，使用的控制参数进行了调整，

启发式规则，考虑到帐户信息

取得的进展。然而，启发式规则，这可能是

最佳为一个优化问题，可能是低效

或者甚至无法保证收敛的另一个问题。一

在中介的发展是合乎逻辑的步骤包括控制

参数不断变化的对象，并允许他们发展

随着主要参数[3]，[10]，[11]。

在全球，我们区分两种主要形式设置参数

值：参数调整和参数控制。前者

指通行做法，试图找到好的

之前的参数值，然后运行算法

调整使用这些值的算法，它保持固定

在运行过程中。后者表示的参数的值

在运行过程中被改变。根据Eiben等人。[5]，[7]，

的变化可以被分为三类。

1）确定性参数控制时发生

一些确定性的规则改变的参数值。

2）自适应参数控制是用来放置时

是某种形式的反馈信息从搜索，用于

确定的方向和/或幅度的变化

该参数。

3）自适应参数控制的想法是，“进化

的演变“可以被用来实现自适应

的参数。在这里，参数必须适应

被编码到染色体中（个人），并进行

遗传算子的行动。更好的价值

这些编码参数会导致更好的个人，

反过来，更容易生存和产生后代

，因此，传播这些美好的参数值。

1089-778X /美元

因此，它是表面上的自然使用EA，不仅对

寻找一个问题的解决方案，但也为调整（下同）

算法的特定问题。从技术上讲，我们

试图修改的参数值，在运行过程中

该算法考虑采取实际的搜索进度。

所讨论的[5]和[7]，有两种方法可以做到这一点。该第一种方法是使用一些启发式规则反馈

的当前状态的检索和修改的参数值

（自适应参数控制），如信贷分配

过程[12]。第二个办法是将

入染色体的参数，从而使他们

演进（自适应参数控制）[13]。

自我适应的中介收敛的证明是困难的

因为随机和控制参数的改变

选择不直接影响其演变[14]，[15]。

由于DE是EA的特定实例，有趣的是，

探讨如何自适应性，它可以应用到。到现在为止，已报道没有研究工作的自适应性，在DE。

首先，我们定义一个类型的优化问题。

在本文中，我们将只关注自己与优化

的方法，用一个目标函数。在大多数情况下，

目标函数定义为最优化问题

最小化任务。为此，以下的调查

进一步限制的最小化问题。当目标

函数是非线性和不可微的，直接搜索

方法的选择[1]的方法。在优化的函数，

优化算法的目的是找到这样的，

，不需要是连续的，但

必须在限定范围。本文认为不受约束的功能

优化。

DE是一个浮点编码EA全局优化