差分進(jìn)化算法的改進(jìn)及應(yīng)用研究.pdf

1、差分進(jìn)化(DifferentialEvolution,DE)是目前最優(yōu)秀的進(jìn)化優(yōu)化算法之一，成為進(jìn)化計(jì)算、智能優(yōu)化技術(shù)方面的研究熱點(diǎn)，并已廣泛應(yīng)用于數(shù)字信號(hào)處理、神經(jīng)網(wǎng)絡(luò)優(yōu)化、模式識(shí)別、機(jī)器智能、化工、醫(yī)學(xué)等諸多實(shí)際工程領(lǐng)域，取得了良好的應(yīng)用效果。然而，DE和其他進(jìn)化算法一樣，在對(duì)復(fù)雜度較高的高維多峰函數(shù)進(jìn)行優(yōu)化時(shí)仍不可避免地存在早熟收斂、后期收斂速度慢、控制參數(shù)難以設(shè)定等問(wèn)題。此外DE算法本身不可直接用于求解多目標(biāo)優(yōu)化問(wèn)題，在一定程度

2、上限制了算法的應(yīng)用范圍。
　　本課題針對(duì)DE算法存在的不足，對(duì)算法的結(jié)構(gòu)和關(guān)鍵步驟，如變異操作、交叉操作以及控制參數(shù)自適應(yīng)調(diào)整等進(jìn)行了深入研究和大量實(shí)驗(yàn)仿真工作，提出了若干種改進(jìn)方法，大幅度提升了算法在高維多峰復(fù)雜單目標(biāo)優(yōu)化上的性能，并使其在多目標(biāo)優(yōu)化上取得了良好的效果。此外，從應(yīng)用角度出發(fā)，將改進(jìn)后的DE算法應(yīng)用于人腦PET醫(yī)學(xué)圖像的病灶目標(biāo)邊緣檢測(cè)以及合作環(huán)境下的電子商務(wù)多邊多議題協(xié)商等前沿問(wèn)題的求解中，均取得了良好的效果。<

3、br>　　首先，為提高DE算法在高維多峰復(fù)雜單目標(biāo)優(yōu)化問(wèn)題上的求解性能，加快算法收斂速度、防止陷入局部最優(yōu)并提高穩(wěn)定性，提出了基于分類思想的新變異策略，并設(shè)計(jì)了新的參數(shù)自適應(yīng)調(diào)整機(jī)制，從而構(gòu)成一種性能優(yōu)異的改進(jìn)算法p-ADE。具體改進(jìn)措施包括：1、設(shè)計(jì)新的DE變異策略。同時(shí)利用全局最優(yōu)解以及個(gè)體歷史最優(yōu)解提供搜索方向性信息，避免差分向量中個(gè)體隨機(jī)選擇帶來(lái)的搜索盲目性；2、引入分類策略。有針對(duì)性地調(diào)整不同特性個(gè)體的進(jìn)化程度，平衡算法的“開(kāi)

4、采”與“勘探”能力；3、設(shè)計(jì)新的參數(shù)自適應(yīng)策略。根據(jù)個(gè)體優(yōu)劣以及進(jìn)化代數(shù)設(shè)計(jì)每個(gè)個(gè)體的參數(shù)自適應(yīng)方法。在22個(gè)標(biāo)準(zhǔn)測(cè)試函數(shù)上的實(shí)驗(yàn)結(jié)果顯示，p-ADE算法能有效提高全局最優(yōu)解精度，加快算法收斂速度并增強(qiáng)DE算法的魯棒性，其相關(guān)性能指標(biāo)優(yōu)于國(guó)內(nèi)外多種先進(jìn)算法。
　　其次，為提高現(xiàn)有多目標(biāo)優(yōu)化算法的求解性能，在以NSGA-II為代表的精英多目標(biāo)進(jìn)化算法模型基礎(chǔ)上，對(duì)DE算法本身和精英多目標(biāo)優(yōu)化模型進(jìn)行了綜合改進(jìn)，提出了一種基于精英策略

5、的改進(jìn)多目標(biāo)自適應(yīng)差分進(jìn)化算法SDEMO。主要改進(jìn)措施包括：1、設(shè)計(jì)新的精英多目標(biāo)進(jìn)化算法模型中的選擇策略；2、設(shè)計(jì)新的精英多目標(biāo)進(jìn)化算法模型中的個(gè)體密度估計(jì)方法；3、根據(jù)多目標(biāo)的特點(diǎn)設(shè)計(jì)新的DE算法變異策略；4、設(shè)計(jì)新的DE算法中的參數(shù)自適應(yīng)策略。標(biāo)準(zhǔn)測(cè)試函數(shù)上的實(shí)驗(yàn)結(jié)果顯示，SDEMO能夠穩(wěn)定有效地找到Pareto最優(yōu)解集并同時(shí)保證良好分布性，尤其在復(fù)雜多目標(biāo)優(yōu)化問(wèn)題中相關(guān)性能指標(biāo)超過(guò)國(guó)內(nèi)外多個(gè)先進(jìn)多目標(biāo)進(jìn)化算法。
　　再次，

6、針對(duì)目前人腦PET醫(yī)學(xué)圖像的病灶目標(biāo)邊緣檢測(cè)所存在的對(duì)初始輪廓敏感、難以收斂到目標(biāo)凹型區(qū)域等問(wèn)題，提出了一種結(jié)合p-ADE算法的GVFSnake模型，在提高檢測(cè)精度解決實(shí)際問(wèn)題的同時(shí)擴(kuò)展DE算法的應(yīng)用領(lǐng)域。新檢測(cè)方法中首先利用GVFSnake模型進(jìn)行收斂得到病灶目標(biāo)的粗輪廓，然后為防止GVFSnake模型陷入局部最優(yōu)，進(jìn)一步利用p-ADE算法的全局優(yōu)化特性以及圖像信息對(duì)該粗輪廓進(jìn)行優(yōu)化，最終得到精確的病灶目標(biāo)邊緣輪廓線。在30幅真實(shí)人腦

7、PET圖像上的實(shí)驗(yàn)結(jié)果顯示，新方法能有效提高PET圖像的檢測(cè)精度并縮短時(shí)耗，檢測(cè)效果優(yōu)于現(xiàn)有多種檢測(cè)方法。
　　最后，研究了p-ADE算法在合作環(huán)境下的電子商務(wù)多邊多議題協(xié)商中的應(yīng)用。針對(duì)現(xiàn)有基于遺傳(GeneticAlgorithm,GA)等進(jìn)化算法的多Agent協(xié)商方法計(jì)算效率低、需要具有協(xié)商各方完全私有信息等缺點(diǎn)，提出一種基于p-ADE算法的多Agent自動(dòng)協(xié)商模型。新模型設(shè)計(jì)了基于仲裁Agent的多Agent協(xié)商協(xié)議及協(xié)商

8、策略，避免了對(duì)協(xié)商各方完全私有信息的需求，更符合實(shí)際協(xié)商環(huán)境。p-ADE算法用于生成具有更高適應(yīng)性的可行協(xié)商提議Offer，促進(jìn)協(xié)商各方達(dá)成一致，加速協(xié)商空間中Pareto最優(yōu)協(xié)商解的搜索速度。實(shí)驗(yàn)部分中將新協(xié)商模型與目前解決多邊多議題協(xié)商問(wèn)題效果最好的混合遺傳算法HGA(HybridGeneticAlgorithm,HGA)，在合作環(huán)境下的實(shí)際多邊多議題協(xié)商問(wèn)題中進(jìn)行性能對(duì)比，證明新協(xié)商模型能有效地減少協(xié)商次數(shù)，提高協(xié)商效率和穩(wěn)定性，