Making a Difference to Differential Evolution
0、论文背景
差分进化(Differential Evolution)和进化规划(Evolutionary Programming)是进化计算中的两种主要算法。它们已成功地应用于许多真实世界的数值优化问题。社区搜索(Neighborhood Search)是支撑EP的主要策略,目前已经对不同的NS操作符(高斯随机数和柯西随机数)的特征进行了分析。虽然DE可能与EP的进化过程相似,但它缺乏邻域搜索的相关概念。本章提出了基于邻域搜索的NSDE。NSDE中的NS操作符可以显著提高NSDE的搜索步长和种群的多样性,而不依赖于任何关于搜索空间的先验知识 。
Yang Z, Yao X, He J. Making a difference to differential evolution[M]//Advances in metaheuristics for hard optimization. Springer, Berlin, Heidelberg, 2007: 397-414.
1、EP
进化规划(EP)进行的优化可以归纳为两个主要步骤:首先突变当前种群中的解,然后从突变的解和当前的解中选择下一代。
传统进化规划(CEP)的突变过程如下:
其中,,是种群大小;,n是种群变量维度。上述也称古典进化规划(CEP)。
将柯西突变代替高斯突变,得到了快速进化规划(FEP):
其中,对于每一个个体的每一维变量,是一个尺度参数t=1的柯西随机变量。使用柯西突变的EP被称为快速进化规划(FEP)。
2、NSDE
有关DE,参见博客:DE,有关柯西分布,参见博客:柯西分布。
DE的流程如下:
有n维向量,,NP是种群的大小。
第一步:变异。
一个较大的F值会增加逃离局部最优的概率。然而,它也增加了突变的扰动,从而降低了DE的收敛速度。
第二步:交叉。
第三步:选择。
而本文提出的NSDE,与之前DE唯一不同的地方在于变异这一过程。DE中固定的常量变为了NS操作符(高斯随机数和柯西随机数):
为什么要采用NS操作符代替F呢?简而言之:显著提高NSDE的搜索步长和种群的多样性,而不依赖于任何关于搜索空间的先验知识 。最终达到寻得更好的全局最优值以及加快收敛的目的。
那么高斯随机数和柯西随机数有什么特点呢?
就是各自的概率密度函数。
柯西随机数与高斯随机数最大的不同在于,柯西随机数产生的值范围更广,产生较大值的概率比高斯随机数高;而高斯随机数产生的值范围较窄,相对局部。
所以一般情况下,柯西算子在远离全局最优时表现更好,而高斯算子在一个较好的区域内寻找局部最优时表现更好。而为了结合上述二者的特点,由此提出了上述变异等式。
3、算法的个人实现以及简单实验
DE的实现上述DE有关的博客有提到过,就不展示了。
NSDE代码实现:
function [globalBest, globalBestFitness, FitnessHistory] = NSDE(popsize, maxIteration,dim, LB, UB, CR, Fun)
% 种群的初始化和计算适应度值
Sol(popsize, dim) = 0; % Declare memory.
Fitness(popsize) = 0;
for i = 1:popsizeSol(i,:) = LB+(UB-LB).* rand(1, dim);Fitness(i) = Fun(Sol(i,:));
end% 获得全局最优值以及对应的种群向量
[fbest, bestIndex] = min(Fitness);
globalBest = Sol(bestIndex,:);
globalBestFitness = fbest; % 开始迭代
for time = 1:maxIterationfor i = 1:popsize% 突变r = randperm(popsize, 3); %在1~pop中随机选择5个数组成一个数组r1 = rand();if r1 > 0.5pd = makedist('tLocationScale','mu',0,'sigma',1,'nu',1);F = random(pd,1,1);%生成1个柯西随机数elseF = normrnd(0.5,0.5);%生成1个高斯随机数endmutantPos = Sol(r(1),:) + F * (Sol(r(2),:) - Sol(r(3),:));% 交叉jj = randi(dim); % 选择至少一维发生交叉for d = 1:dimif rand() < CR || d == jjcrossoverPos(d) = mutantPos(d);elsecrossoverPos(d) = Sol(i,d);endend% 检查是否越界.crossoverPos(crossoverPos>UB) = UB(crossoverPos>UB); crossoverPos(crossoverPos<LB) = LB(crossoverPos<LB);evalNewPos = Fun(crossoverPos);% 将突变和交叉后的变量重新评估% 小于原有值就更新if evalNewPos < Fitness(i)Sol(i,:) = crossoverPos;Fitness(i) = evalNewPos;endend[fbest, bestIndex] = min(Fitness);globalBest = Sol(bestIndex,:);globalBestFitness = fbest;% 存储每次迭代的最优值.FitnessHistory(time) = fbest;
end
end
进行简单的实验:
clear;clc;clearvars;
% 初始化变量维度,种群数,最大迭代次数,搜索区间,F,CR
dim = 20;
popsize = 100;
maxIteration = 1000;
LB = -5.12 * ones(1, dim);
UB = 5.12 * ones(1, dim);
F = 1;
CR = 0.9;
[globalBest, globalBestFitness, FitnessHistory] = DE(popsize, maxIteration,dim, LB, UB, F, CR, @(x)Rastrigin(x));
[globalBest1, globalBestFitness1, FitnessHistory1] = NSDE(popsize, maxIteration,dim, LB, UB, CR, @(x)Rastrigin(x));
plot(FitnessHistory);
hold on;
plot(FitnessHistory1);
legend('DE','NSDE','Location', 'northeast');
Rastrigin函数的测试结果:
Grtiewank函数的测试结果:
Ackley函数的测试结果:
综上所述,NSDE无论在优化效果上,还是在收敛性上,均远远优于DE。
如有错误,还望批评改正,
Making a Difference to Differential Evolution相关推荐
- 关于差分进化算法(Differential Evolution)
关于差分进化算法(Differential Evolution) 觉得有用的话,欢迎一起讨论相互学习~ 最近因为论文和审稿等综合因素的影响,决定对DE进行多一些研究,发现原先自己的了解太肤浅了发现了不 ...
- SBX(Simulated binary crossover)模拟二进制交叉算子和DE(differential evolution)差分进化算子
一起来学演化计算-SBX(Simulated binary crossover)模拟二进制交叉算子和DE(differential evolution)差分进化算子 觉得有用的话,欢迎一起讨论相互学习 ...
- SBX(Simulated binary crossover)模拟二进制交叉算子和DE(differential evolution)差分进化算子...
一起来学演化计算-SBX(Simulated binary crossover)模拟二进制交叉算子和DE(differential evolution)差分进化算子 觉得有用的话,欢迎一起讨论相互学习 ...
- 差分进化算法(Differential Evolution,DE)实例详解
差分进化算法是(differential evolution,DE)是基于群体智能理论的优化算法,是通过群体内个体间的合作与竞争而产生的智能优化搜索算法.对比进化计算,它保留了基于种群的全局搜索策略, ...
- Self-adaptive Differential Evolution with Neighborhood Search
0.论文背景 本文是在SaDE和NSDE的基础上,结合二者的特点,提出了SaNSDE算法. Yang Z, Tang K, Yao X. Self-adaptive differential evol ...
- JADE: Adaptive Differential Evolution withOptional External Archive
0.论文背景 本文在DE的基础上,提出了一种新的差分进化(DE)算法JADE,通过实现一种新的突变策略DE/current-to-pbest,采用可选的外部存档和参数的自适应更新,来提高优化性能.上述 ...
- Self-adaptive Differential Evolution Algorithm for Numerical Optimization
0.论文背景 本文在DE算法的基础上,提出了一种自适应的差分进化算法(SaDE).其中学习策略的选择和两个控制参数F和CR不需要预先指定. Qin A K, Suganthan P N. Self-a ...
- 【学习笔记】Multi-Objective Differential Evolution Algorithm --MODEA
[学习笔记]Multi-Objective Differential Evolution Algorithm --MODEA 正文 (一)算法关键点 (二).概念定义 算法流程 算法伪代码.算法流程图 ...
- 差分进化算法(Differential Evolution)
一.差分进化算法的由来 差分进化算法(Differential Evolution,DE)于1997年由Rainer Storn和Kenneth Price在遗传算法等进化思想的基础上提出的,本质是一 ...
最新文章
- redis灵魂拷问:19图+11题带你面试通关
- 1003. 我要通过!(20)
- NeHe OpenGL教程 第四十七课:CG顶点脚本
- 用css3写遨游的logo
- python opencv Intel Realsense 使用滑动条调整图片的曝光率
- .NET微服务架构及API网关
- 二、搭建Jupyter Notebook环境
- 三十岁以前不必在乎的29件事
- idea怎么把代码放到git_在IntelliJ IDEA中同步代码到华为云git仓库 (on windows)
- 数据 + 代码,基于 Keras 的烟火检测
- 测试用例的优先级概念
- android自定义横向时间轴,Android自定义时间轴的实现过程
- JSONObject获取的值有时候不是String类型,而有时候又是String类型,怎么办呐
- linux下哪个分区工具好,这些Linux分区工具是免费的且好用
- python自动发微信朋友圈不带图片_python itchat实现微信自动检测违规涉黄图片
- IE associate Fix
- 调用微信接口实现微信授权登陆主体内容【code换取openid以及session_key】
- 【算法】机器人走迷宫(适用于走迷宫、最短路径算法)-20200412
- 用docker安装tomcat并实现目录映射端口映射输入ip地址测试网页连接
- 华为认证Datacom考试内容
热门文章
- java读取excel的maven_JAVA如何读取Excel数据
- python爬虫爬取58同城租房信息(使用动态IP)输出Excel文件
- 基于部件关注DenseNet的细粒度车型识别
- 用矩形积分近似求解定积分的动画示意图
- csgo躲猫猫模式显示服务器已满,CSGO有躲猫猫模式吗 CSGO躲猫猫模式进入方法一览...
- 通过JavaScript调用SOAP终结点执行实体消息
- Griffon学习笔记1 - HelloWorld
- 手机如何双声道录音_手机音量太小怎么办?教你一招就能解决,进来学学吧!...
- MySQL/MariaDB数据库
- pygame网络游戏_4_1:人物行走_地图设计