论文部分内容阅读
差分进化算法(Differential Evolution Algorithm, DE)是一种简单有效而且鲁棒性强的优化算法。自提出以来受到了众多学者的关注,并且众学者针对其容易陷入局部最优解以及算法在进化的中后期种群多样性降低等问题做了许多改进。本文在深入研究差分进化算法原理的基础上从以下几个方面对其做出了改进。差分进化算法中的交叉因子是固定不变的,这对于不同的问题以及种群进化的不同阶段来说,显然是不合适的。为了提高差分进化算法的性能,本文提出了一种基于新交叉策略的差分进化改进算法。该算法将种群进化过程中相邻两代的方差比以及种群进化的进度作为交叉因子的两个决定因素,通过研究两个决定因素的系数取值,来提高算法对种群进化中后期多样性的保证。二次变异的操作能够避免算法过早的陷入局部最优解。当算法连续进化一定代数后,所寻找到的最优解一直没有变化时,算法将启动二次变异操作,二次变异操作在一定程度上增加了种群的多样性,为寻找最优解提供了更多的可能性。不同的优化算法具有不同的优点,所以通过结合不同的优化算法也可以提高算法的性能。本文将DE算法与基于情感第一定律的社会情感算法相结合,提出了一种基于社会情感操作的差分进化改进算法。该算法具有两种变异方式,即差分策略和社会情感操作,其中,差分策略又分为DE/rand/1/bin和DE/best/1/bin两种策略,在进化过程中,本文利用相邻两代的方差比来作为区分使用不同差分策略的依据。如果算法在进行了一定代数后,算法的寻优结果一直没有变化,那么算法将会转变变异的方式,或从差分策略转变为社会情感操作,或从社会情感操作转变为差分策略。通过这种交叉使用变异操作的方式,提高了算法的寻优性能。本文将基于新交叉策略的差分进化改进算法与基于社会情感操作的差分进化改进算法有机的结合,提出了基于新交叉策略和社会情感操作的差分进化改进算法。用九个经典的测试函数对本文提出的基于新交叉策略的差分进化改进算法和基于社会情感操作的差分进化改进算法以及基于新交叉策略和社会情感操作的差分进化改进算法进行性能测试。结果发现相对于标准的差分进化算法,本文提出的改进算法在寻优的精度以及寻优速度上均有不小的提升。最后本文利用基于新交叉策略和社会情感操作的差分进化改进算法对活性污泥污水处理模型中的参数进行校正,经过研究发现,相对于默认参数,用基于新交叉策略和社会情感操作的差分进化改进算法校正后的参数使模型模拟值更加接近实际出水值。