[发明专利]基于差分进化算法的局部搜索和全局搜索融合方法及系统

说明书

本发明公开了基于差分进化算法的局部搜索和全局搜索融合方法及系统，方法包括：对种群参数进行初始化配置，生成初始种群；配置局部搜索代数计数器和全局搜索代数计数器；在种群进入局部搜索阶段时，确定局部搜索代数计数器处于上限和下限之间且子种群没有收敛后，种群进入全局搜索阶段；判断全局搜索代数计数器的值是否小于全局搜索代数的上限，若是，则重新执行全局搜索阶段；反之，则返回执行配置局部搜索代数计数器和全局搜索代数计数器的步骤，直至确定达到初始化配置的差分进化算法执行的终止条件后，结束所述差分进化算法。本发明增强了种群的收敛性和探索性，提高了搜索的全面性，高效且复杂度低，可广泛应用于数值优化技术领域。

技术领域

本发明涉及数值优化技术领域，尤其是基于差分进化算法的局部搜索和全局搜索融合方法及系统。

背景技术

在科学以及工程领域中，经常能够遇到一些全局优化或者组合优化的问题，这些问题一般都有优化范围广，非线性等特点，利用人工方法去优化寻找这些问题的最优解往往比较复杂，而利用优化算法则可以方便地求出这些问题的全局最优解。

差分进化算法是由R.Storn和K.Price于1995年提出的，并且现在已经成为解决各种连续优化问题的高效的启发式搜索算法之一，而且在模式识别、机器学习、神经网络训练、智能控制等众多领域都有着广泛的应用。但是传统的差分进化算法容易陷入局部最优或者停滞等问题，而且针对不同的问题需要用试错法来得到最优的参数，浪费时间成本，并且很难达到开发性和探索性的平衡。

传统的差分进化算法进行D维单目标优化时，其具体实现为：先初始化一组均匀分布具有Np个解向量的种群P＝{X_1,G,X_2,G,...,X_Np,G}，并计算种群的目标函数值F(X)，接下来迭代执行突变，交叉，选择三种操作直到迭代结束。在突变中，通过将一个或多个差分向量与基本向量X_i,G组合来产生突变向量V_i,G。例如DE/rand/1的数学表达式为：V_i,G＝X_r1,G+F·(X_r2,G-X_r3,G)，其中X_r1,G，X_r2,G和X_r3,G是随机选取的三个不一样的个体，F∈(0,1]。在交叉中，对每个突变向量V_i,G和基本向量X_i,G进行交叉，从而得到试验向量U_i,G。此过程由交叉率CR控制，对于二项式交叉，首先随机选取一个维度j，对于每个个体的每个维度都随机选取一个0～1之间的值，若这个值小于CR或者这个维度为前面选取的那个维度，则在这个维度上选取V_i,G的值，否则选取X_i,G的值。接下来计算所有试验向量U_i,G的目标函数值F(U)。在选择上，比较每个试验向量和基本向量的目标函数，选取小的目标函数的个体为下一代的基本个体。

近二十几年来，有许多高效的差分进化算法变体被提出，这些变体大多数是全局搜索的，而且有许多是自适应控制参数以及选择策略，这些方法解决了传统差分进化算法用试错法的时间成本。还有一些差分进化算法是结合了全局搜索和局部搜索的，也称为模因差分进化算法，这些算法主要是结合了差分进化算法和爬山法，退火算法之类局部搜索算法，这些传统的局部搜索算法的时间复杂度不是很低，而且很容易陷入局部最优，从而丧失种群多样性。

发明内容

有鉴于此，本发明实施例提供一种高效且低复杂度的，基于差分进化算法的局部搜索和全局搜索融合方法及系统。

根据本申请的一方面，本发明实施例提供了一种基于差分进化算法的局部搜索和全局搜索融合方法，包括以下步骤：

对种群参数进行初始化配置，生成初始种群；

配置局部搜索代数计数器和全局搜索代数计数器；