提出了基于多精英采樣和差分搜索的分布估計算法EDA-M/D （Estimation distribution algorithm based on multiple elites sampling and individuals differential search）。EDA-M/D利用多精英個體獨立采樣生成子代來提升算法全局搜索能力,利用精英群體分布的σ2約束采樣半徑,實現(xiàn)種群從全局搜索逐步過度到局部搜索。當精英群體停滯時,劣勢個體借助精英群體的?和種群歷史最優(yōu)解進行差分搜索,幫助種群跳出局部最優(yōu)解。通過多精英采樣與差分搜索的自適應(yīng)協(xié)同實現(xiàn)種群宏觀信息與個體微觀信息的有機融合。實驗結(jié)果表明EDA-M/D在穩(wěn)定性和搜索能力方面均表現(xiàn)出明顯的優(yōu)勢。 

【文章來源】：系統(tǒng)仿真學(xué)報. 2020,32(03)北大核心CSCD

【文章頁數(shù)】：12 頁

【部分圖文】：

多精英個體采樣與傳統(tǒng)EDA采樣結(jié)果對比Fig.1Comparisonresultbetweenmultipleelitessampling

第32卷第3期系統(tǒng)仿真學(xué)報Vol.32No.32020年3月JournalofSystemSimulationMar.,2020http:∥www.china-simulation.com386式中：Lp用以控制劣勢個體第j個基因位執(zhí)行修復(fù)操作的概率。類似的，對新生成的子個體也采用式(9)的貪心策略保留個體。EDA-M/D在上述2個策略中均采用式(9)所示的貪心保留策略可用圖2來表示�？梢钥闯�，通過當代精英個體并行獨立采樣得到新的子個體后，若采用EDA常用的保留策略，則距離全局最優(yōu)解最近的精英個體(即圖中左下角的精英個體)采樣得到的子代個體會因為劣于另外2個精英個體及相應(yīng)采樣得到的子個體而被拋棄掉，這也使得子代種群遠離了全局最優(yōu)解而陷入了局部最優(yōu)。反之，若采用式(9)所示的保留策略，距離全局最優(yōu)解附近的精英個體采樣得到的子代個體盡管適應(yīng)值并非屬于精英群體，但依然會被保留下來，從而保證了種群的全局搜索能力。圖2貪心保留策略示意圖Fig.2Processofgreedyreservationstrategy2.3劣勢個體差分學(xué)習(xí)通過上述MES和NGR策略生成第t+1代的個體后，若新種群中的E個精英的適應(yīng)值與t–1代中的E個精英的適應(yīng)值完全相同，則說明基于上述子代生成策略無法挖掘有益信息指導(dǎo)種群的搜索，本文將這種情況視為精英群體出現(xiàn)停滯。當精英群體連續(xù)停滯代數(shù)stay達到設(shè)定閾值staymax時，N–E個劣勢個體(1,2,,)ktiXkEEN向式(5)所示的精英分布概率模型的t1j和當前種群最優(yōu)個體1111bestbest,1best,2best,[,,,]ttttDxxxX進行差分學(xué)習(xí)來產(chǎn)生新的個體kiTmpX學(xué)習(xí)方式如式(11)所示。該學(xué)習(xí)方式的意義

對比算法在CEC2017測試集上的收斂過程對比f29f30

【參考文獻】：
期刊論文
[1]基于一般二階混合矩的高斯分布估計算法[J]. 任志剛,梁永勝,張愛民,龐蓓.  自動化學(xué)報. 2018(04)
[2]基于概率分布的多峰演化算法[J]. 陳偉能,楊強.  計算機研究與發(fā)展. 2017(06)
[3]改進的正態(tài)分布的分布估計算法[J]. 邱玲,高尚,曹存根.  計算機科學(xué). 2015(08)
[4]基于高斯分布估計的細菌覓食優(yōu)化算法[J]. 劉小龍,李榮鈞,楊萍.  控制與決策. 2011(08)
[5]分布估計算法綜述[J]. 周樹德,孫增圻.  自動化學(xué)報. 2007(02)



本文編號：3556918