差分演化算法及其应用PDF电子书下载

第1章 演化算法与优化计算 1

1.1 优化计算 1

1.1.1 一般性描述 1

1.1.2 优化问题描述 1

1.2 演化算法 2

1.2.1 一般性描述 2

1.2.2 遗传算法 2

1.2.3 演化策略 3

1.2.4 演化规划 5

1.2.5 差分演化算法 5

1.2.6 粒子群算法 6

1.3 小结 6

第2章 差分演化算法 8

2.1 差分演化算法的提出 8

2.2 基本差分演化算法 8

2.2.1 算法简介 8

2.2.2 算法基本流程 9

2.2.3 一个简单的例子 13

2.3 控制参数对算法性能的影响 15

2.4 差分演化算法的优缺点 15

2.4.1 优点 15

2.4.2 不足之处 16

2.5 DE与其他演化算法的异同 16

2.5.1 相似之处 16

2.5.2 不同之处 16

2.6 小结 17

第3章 差分演化算法研究进展 19

3.1 控制参数与自适应差分演化算法 19

3.1.1 DE控制参数 19

3.1.2 参数自适应DE 19

3.1.3 代表性自适应DE算法：jDE和JADE 20

3.2 混合差分演化算法 24

3.2.1 DE与局部搜索算法结合 24

3.2.2 DE与其他全局优化算法结合 25

3.2.3 代表性混合DE算法：DEahcSPX和ODE 25

3.3 多策略差分演化算法 28

3.3.1 一般性介绍 28

3.3.2 TDE算法 29

3.3.3 DE/rand/1/either-or算法 29

3.3.4 DEGL算法 29

3.3.5 SaDE算法 30

3.4 复杂环境下差分演化算法研究 33

3.4.1 多目标函数优化 33

3.4.2 约束函数优化 34

3.4.3 多峰函数优化 35

3.4.4 大规模函数优化 35

3.5 离散差分演化算法 36

3.5.1 二进制差分演化算法 36

3.5.2 整型差分演化算法 36

3.6 差分演化算法的应用 36

3.7 小结 37

第4章 正交差分演化算法 48

4.1 相关工作 48

4.2 正交设计 49

4.3 正交差分演化算法——ODE 49

4.3.1 正交杂交算子 49

4.3.2 决策向量分块策略 50

4.3.3 混合自适应杂交变异算子 51

4.3.4 简化缩放因子 52

4.3.5 正交差分演化算法 52

4.4 实验结果与分析 53

4.4.1 实验环境及参数设置 53

4.4.2 测试函数 53

4.4.3 实验结果 53

4.4.4 结果分析 56

4.5 小结 57

第5章 基于BBO的混合差分演化算法 58

5.1 生物地理学优化算法 58

5.2 DE/BBO算法 59

5.2.1 研究动机 59

5.2.2 混合杂交算子 59

5.2.3 自变量越界处理 60

5.2.4 算法流程 60

5.3 实验结果与分析 61

5.3.1 测试函数集 61

5.3.2 实验参数设置 62

5.3.3 评价准则 63

5.3.4 实验结果 64

5.3.5 实验结果讨论 72

5.4 小结 73

第6章 基于聚类的混合差分演化算法 75

6.1 K均值聚类算法 75

6.2 相关研究 76

6.3 CDE算法 77

6.3.1 一步K均值聚类算法 77

6.3.2 群体更新策略 77

6.3.3 群体聚类周期 78

6.3.4 算法流程 78

6.4 实验结果与分析 79

6.4.1 参数设置 79

6.4.2 评价准则 79

6.4.3 CDE与DE算法的性能比较 80

6.4.4 聚类周期的影响 83

6.4.5 聚类簇数目的影响 83

6.4.6 距离评价准则的影响 85

6.4.7 与已有算法的比较 86

6.5 小结 88

第7章 多策略自适应差分演化算法 91

7.1 多策略自适应机制 91

7.1.1 研究动机 91

7.1.2 基本思想 92

7.1.3 策略库的选取 92

7.1.4 参数自适应机制 93

7.2 SaJADE算法 93

7.2.1 算法的基本流程 93

7.2.2 与其他类似算法的区别 95

7.2.3 算法的复杂度分析 95

7.3 实验结果与分析 95

7.3.1 测试函数的集 95

7.3.2 实验参数的设置 96

7.3.3 不同多策略自适应方法的比较 96

7.3.4 与其他差分演化算法的比较 97

7.3.5 与已发表结果的比较 102

7.3.6 多策略自适应分析 103

7.3.7 算法的简单性分析 104

7.3.8 实验结论 104

7.4 小结 105

第8章 基于ε占优的正交多目标差分演化算法 107

8.1 相关工作 107

8.1.1 问题描述 107

8.1.2 多目标演化算法 108

8.1.3 正交设计在EA中的应用 108

8.1.4 基于ε占优方法的MOEAs 109

8.2 ε-ODEMO算法 109

8.2.1 正交初始群体 109

8.2.2 混合选择机制 110

8.2.3 非劣解存储 111

8.2.4 ε-ODEMO算法的流程 111

8.3 实验结果与分析 113

8.3.1 测试函数集 113

8.3.2 参数设置 113

8.3.3 评价准则 114

8.3.4 实验结果 114

8.3.5 CR取值对算法性能的影响 117

8.3.6 混合选择机制性能验证 118

8.4 小结 119

第9章 正交多目标差分演化算法在工程优化中的应用 121

9.1 研究背景 121

9.2 改进的ε-ODEMO算法 122

9.2.1 Archive群体更新 122

9.2.2 约束函数处理技术 122

9.2.3 paε-ODEMO算法的流程 123

9.3 实验结果与分析 125

9.3.1 参数设置 125

9.3.2 评价准则 125

9.3.3 标准约束多目标优化函数 125

9.3.4 参数敏感性测试 127

9.3.5 工程优化实例 130

9.4 小结 135

第10章 基于DE的演化Kalman滤波器 137

10.1 相关研究 137

10.2 演化Kalman滤波 138

10.2.1 适应值函数设计 138

10.2.2 个体编码及解码 139

10.2.3 约束条件 140

10.2.4 搜索空间 140

10.2.5 停机条件 141

10.2.6 演化Kalman滤波算法 141

10.3 仿真实验 142

10.3.1 仿真实例 142

10.3.2 参数设置 142

10.3.3 仿真结果 143

10.3.4 结果分析 144

10.4 小结 145

第11章 基于差分演化算法的聚类分析 147

11.1 相关研究 147

11.1.1 问题定义 147

11.1.2 演化聚类算法 148

11.1.3 点对称距离标准 151

11.2 点对称差分演化聚类分析算法 152

11.2.1 改进的点对称距离标准 153

11.2.2 个体表示 154

11.2.3 适应值的计算 154

11.2.4 错误个体的处理 155

11.3 实验结果与分析 155

11.3.1 参数设置 155

11.3.2 实验数据集 155

11.3.3 评价准则 155

11.3.4 实验结果 157

11.3.5 CR对算法的影响 159

11.3.6 实验结论 162

11.4 小结 163

第12章 总结与展望 165

12.1 本书总结 165

12.2 差分演化算法的研究展望 167

附录1 差分演化算法C＋＋源程序 168

F1.1 CIndividual类 168

F1.1.1 头文件Individual.h 168

F1.1.2 实现文件Individual.cpp 169

F1.2 CRand类 172

F1.2.1 头文件Rand.h 172

F1.2.2 实现文件Rand.cpp 172

F1.3 CProblemDef类 177

F1.3.1 头文件ProblemDef.h 177

F1.3.2 实现文件ProblemDef.cpp 177

F1.4 CDE类 179

F1.4.1 头文件DE.h 179

F1.4.2 实现文件DE.cpp 181

F1.5 主文件main.cpp 190

附录2 无约束单目标优化函数 192

F2.1 函数 192

F2.2 一些函数图形 195

附录3 多目标优化函数 198

F3.1 无约束多目标测试函数 198

F3.2 约束多目标测试函数 199

F3.2.1 标准测试函数 199

F3.2.2 工程优化实例 201