一种基于差分的改进STAM算法

一种基于反向的差分算法
陈德祥
【期刊名称】《电脑编程技巧与维护》
【年(卷),期】2014(000)004
【摘要】为解决约束优化问题,设计了一种基于反向向量的差分算法,通过对差分的选择算子的改进,在仿真实验里,能够得到较好的结果.
【总页数】2页(P16-17)
【作者】陈德祥
【作者单位】海南琼州学院电子信息工程学院,海南三亚572000
【正文语种】中文
【相关文献】
1.基于反向差分算法的航空发动机装配车间优化调度 [J], 杨钦贺;严洪森;杨杨
2.一种基于差分算法的共形聚焦式微波热疗系统 [J], 徐丽凡;王雄
3.一种基于ECG的改进型差分算法设计 [J], 马建峰;徐晓雨;张雾琳
4.一种基于差分算法的共形聚焦式微波热疗系统 [J], 徐丽凡;王雄
5.一种基于帝企鹅差分算法的WSN覆盖优化 [J], 唐菁敏;曲文博;苏慧慧;郑锦文因版权原因，仅展示原文概要，查看原文内容请购买。

基于差分进化改进混合核极限学习机的指纹定位
韦嘉恒;刘伟;李卓;刘博;王智豪
【期刊名称】《中国科技论文》
【年(卷),期】2024(19)5
【摘要】针对极限学习机(extreme learning machine,ELM)指纹定位泛化性能弱、鲁棒性差等问题,提出一种改进的差分进化算法优化混合核极限学习机的指纹定位
方法。

该方法利用改进型的Logistic混沌映射提高差分进化算法全局搜索的能力,
同时利用动态控制参数法避免差分进化算法陷入局部最优,然后通过改进差分进化
算法自适应调整混合核极限学习机的参数,提高训练效率。

在线阶段,利用混合核函
数提高极限学习机的学习性能和泛化性能,并引入L1惩罚函数防止过拟合。

其泛化能力相较于单一核极限学习机提升明显。

该方法有92%的测试点定位误差小于0.5 m,平均误差相较于加权K近邻法(weighted Knearest neighbor,WKNN)降低了32.6%。

【总页数】7页(P600-606)
【作者】韦嘉恒;刘伟;李卓;刘博;王智豪
【作者单位】桂林理工大学信息科学与工程学院;广西嵌入式技术与智能系统重点
实验室(桂林理工大学)
【正文语种】中文
【中图分类】TP301.6
【相关文献】
1.基于小波核主成分分析和差分进化优化极限学习机的入侵检测
2.基于改进差分进化算法优化极限学习机的短期负荷预测
3.基于改进混合核极限学习机的坝基注浆量预测代理模型研究
4.基于进化算法优化的混合核极限学习机建模
5.基于粒子群差分进化极限学习机的电力系统故障诊断模型
因版权原因，仅展示原文概要，查看原文内容请购买。

基于差分进化算法的K-Means算法改进刘莉莉;曹宝香【期刊名称】《计算机技术与发展》【年(卷),期】2015(25)10【摘要】According to the defects of traditional K-Means clustering algorithm such as sensitive to the initial clustering center selection, falling into the local optimal solution easily,the differential evolution algorithm which has the rich global search ability is introduced in this paper,then an improved differential evolution algorithm with multi-model evolution scheme of selection structure and control param-eters of adaptive adjustment is presented in the meantime. The algorithm combined with K-Means algorithm has solved initial center opti-mization problem well. Experiments on the international datasets show that this method could speed up the convergence speed significant-ly,enhancing the ability of global optimization,improving the clustering quality and stability effectively.%针对现如今传统的K -Means聚类算法所普遍存在的对初始聚类中心选择敏感且易陷入局部最优解的问题，文中将全局寻优能力较强的差分进化算法引入该算法中，其中通过采用选择结构的多模式进化方案、自适应调整的控制参数，从而提出了一种性能优良的改进的差分进化算法。

基于TSP的改进差分进化算法作者：朱宇航伏楠来源：《硅谷》2012年第17期摘要: 针对TSP问题,提出一种改进的差分进化算法:利用贪心算法产生初始种群,定义特有的编码匹配函数进行变异操作,排序法修复变异个体,并采用顺序交叉,在变异操作之后,加入新的选择机制,防止交叉操作破坏变异出的优良个体,实验结果表明改进后的差分进化算法能够高效地解决TSP问题,体现良好的优化性能。

关键词: 差分进化算法;TSP;进化算法0 引言差分进化算法(DE:Differential Evolution)是一种模拟自然进化法则的仿生智能计算方法,在解决复杂的全局优化问题方面,DE的性能更加优秀,过程也更为简单,受控参数少[1],但由于DE 特有的差分操作的限制,DE被成功应用的领域多集中在连续优化领域,在离散优化领域的应用还相对较少[2]。

TSP(旅行商问题)作为典型的离散优化问题,是解决很多实际问题的最终转化形式,同时也是著名的NP难题,在短时间内求出其最优解非常困难,现有解法[3-4]在求解中都各有缺点.因此,研究将DE经过必要的改进后应用于TSP的求解具有重要意义。

1 改进DE算法1.1 编码及匹配函数适应度定义为:负的路径长度,使得路径长度越短,适应度值越大。

1.2 贪婪初始化为提高初始种群的质量,采用贪婪的初始化方法.对于初始种群的每个个体,产生方法如下:step1:初始化待走城市列表List为包含所有城市的列表;step2:随机选择一个城市A作为起点,并将此点作为当前城市T,从List中移除;step3:从List中选择距离城市T最近的城市作为新的当前城市T,并将T从List中移除;step4:判断List是否为空,若是,则结束;若否,则转step3。

1.3 变异及合法化新的变异操作定义如下:1.4 贪婪顺序交叉设交叉概率为cross,产生的随机数为rand.当rand由于每次顺序交叉会产生两个交叉个体,而DE交叉操作中只需要一个交叉个体,因此,为了提高收敛速度,在原顺序交叉基础上,改进算法贪婪选择适应度优的个体作为返回的交叉个体。

基于滑模控制的改进差分进化算法LIU Long-Long;YU Sheng-Nan;GAO Cun-Chen【摘要】针对机器人轨迹规划问题,提出了一种基于滑模控制的改进差分进化(IDE)算法.以运行时间和能量损耗为目标函数.利用种群中最好个体和平均水平个体的差分引导变异方向,利用种群中最好个体替换最差个体,加快收敛速度.取消变异因子和交叉因子,降低人工干预,增强了模型稳定性.利用保形分段三次Hermite插值代替三次样条插值,防止拟合过冲,降低了抖振.基于给出的状态空间方程,设计了滑模控制律,通过李亚普诺夫函数方法证明了系统的稳定性.仿真实验和结果分析表明,改进的算法有较强的搜索能力,加快了收敛速度,降低了运动轨迹的抖振.【期刊名称】《计算机系统应用》【年(卷),期】2018(027)012【总页数】7页(P156-162)【关键词】滑模控制;轨迹规划;差分进化算法【作者】LIU Long-Long;YU Sheng-Nan;GAO Cun-Chen【作者单位】【正文语种】中文在机器人轨迹规划的过程中会产生震荡,造成额外能量消耗.而在定点运动中,不同的运动轨迹会造成不同程度的抖振.如何设计机器人的最优轨迹优化问题受到了工业界和学术界的广泛关注.传统的机器人轨迹规划多以运行时间指标为目标,采用B 样条插值对一系列离散路径点拟合[1],在边界层出现稳态跟踪误差,运动平稳性较差.近几年,杨国军等[2]对简单遗传算法进行了改进,将模糊原理应用于遗传算法,提出了一种基于模糊遗传算法的机械手时间最优轨迹规划方案.王宪等[3]提出基于改进蚁群算法的机器人轨迹规划,引入带方向信息的全局启发因子来提高最优路径的搜索效率.甘亚辉等[4]采用遗传算法综合考虑各机器人沿轨迹运动的安全性,运动代价以及运动约束,获得了单个机器人规划最优的运动轨迹.付荣等提出了关节空间基于粒子群优化[5]和自适应遗传算法[6]的时间最优3-5-3多项式插值轨迹规划算法,解决了由于多项式插值轨迹规划具有阶次高,没有凸包性质的缺点,难以应用传统优化方法进行优化的问题.王学琨等[7]针对六自由度关节型解耦机械臂在抓取目标物体过程中出现的不稳定性、快速性以及最大速度约束的问题,提出了一种利用DE算法优化的时间最优3-5-3多项式插值机械臂轨迹规划算法.余阳[8],赫建立等[9]采用高次均匀B样条插值,提出了基于遗传算法的轨迹规划方案,该方案比较理想化地兼顾了工业机器人工作效率与轨迹的平稳性.刘一扬等[10]改进了遗传算法的机器人运动轨迹跟踪控制,在机器人运动轨迹滑模面设计一个跟踪误差的积分补偿器,缓解了运动轨迹跟踪控制在边界层出现稳态跟踪误差.邓飙等[11]使用五次B样条插值规划轨迹,引入了罚函数处理约束条件,利用非支配排序遗传算法(NSGA-II)对轨迹进行多目标优化,选择了最为平滑且时间最优的解作为最终解.殷凤健等[12]利用三次样条插值和自适应遗传算法对运动轨迹进行了时间最短优化,并利用罚函数解决了系统运动的约束问题.对于固定时间顶点的最优轨迹规划问题的目标函数,求得了使得整个运动过程消耗最小的能量函数.梁延德等[13]在每两个相邻的目标点之间构造分段数为7的三次样条函数,证明了此时的插值函数有能力描述时间最短的轨迹问题,并用BFGS 方法进行了优化计算.对于机器人可行轨迹的规划问题,上述算法往往仅在以总时间为指标的目标函数上加上其他项,或者增大拟合多项式的次数,增大样条函数的次数上进行了改进.但是人工参与设置的参数过多,模型不稳定以及拟合过冲导致运动轨迹震荡的情况还未引起学者的足够重视.本文针对种群优化算法中人工参数设置过多,模型训练过程不稳定以及拟合过冲导致运动轨迹震荡的情况,提出了一种基于滑模控制的改进差分进化(IDE)算法.该算法在变异阶段之前增加筛选阶段,求出了当前群体的目标函数值最优(适应度值最小)的个体、适应度值最大的个体和所有个体的平均水平.在变异阶段,取消了变异因子,采用适应度值最小的个体和平均水平的个体提高种群中每一个个体的水平,用适应度值最小的个体替换适应度值最大的个体,加快收敛速度.取消了交叉阶段,减少了交叉因子的两个参数.在插值方面,采用了保形分段三次 Hermite 插值,降低了插值函数光滑性的要求,避免了模型不稳定以及拟合过冲导致运动轨迹震荡的情况.通过仿真实验和结果分析表明,本文给出的改进差分进化算法与传统方法相比,该方法具有明显的优势.1 差分进化算法1.1 差分进化算法的内容差分进化算法是基于群体智能理论的优化算法,通过群体中个体间的合作与竞争更新群体,最终通过迭代更新,逼近最优解,因此可用于智能化优化搜索.标准差分进化算法是根据父代个体间的差分矢量进行变异,交叉和贪婪选择更新个体.其基本思想是从某一随机产生的初始群体开始,通过把种群中任意两个个体的向量差加权后乘上变异因子与第三个个体求和来产生新个体,然后将新个体与当代种群中某个预先决定的个体相比较,如果新个体的适应度值优于与之相比较的个体的适应度值,则在下一代中就用新个体取代旧个体,否则旧个体仍保存下来,通过不断地迭代运算,保留优良个体,淘汰劣质个体,引导搜索过程向最优解逼近.在优化设计中,差分进化算法与传统的优化方法相比,具有以下主要特点:(1)差分进化算法从一个群体(即多个点)而不是从一个点开始搜索,这是它能以较大的概率找到整体最优解的主要原因.(2)差分进化算法的进化准则是基于适应性信息的,无须借助其他辅助性信息(如要求函数可导或连续),大大地扩展了其应用范围.(3)差分进化算法具有内在的并行性,这使得它非常适用于大规模并行分布计算,减小时间成本开销.(4)差分进化算法采用概率转移规则,不需要确定性的规则.但是标准的差分进化算法也存在以下问题:(1)变异阶段随机选取3个个体进行差分,然后加权求和求出新个体,进行贪婪选择后,二选一保留原始个体或者用新个体替代原始个体.利用随机选取的个体进行更新,没有充分利用种群中表现最好的个体和种群总体的信息,收敛的速度和稳定性有待提高.(2)为了增大种群多样性,采用变异因子和交叉因子或者随迭代代数变化的自适应变异因子和交叉因子,在增大种群多样性,避免陷入局部最优的同时引入了需要人工干预的两个参数的取值范围.人工干预参数的引入,使得调参对于结果的影响很大,这不利于算法的应用和推广.1.2 改进差分进化算法的内容基本流程标准差分进化算法是基于实数编码的进化算法,整体结构上与其他进化算法类似,由变异,交叉和选择三个基本操作构成.改进的差分进化算法取消了交叉操作,主要包括以下几个步骤:(1)生成初始群体在n维空间里,随机产生满足约束条件的M个个体作为初始种群,第i(i=1,2,···,M)个个体表示如下:其中,分别是第个个体第个维ij度的上界和下界: 是[0,1]之间的随机数;D+1为每个样本固定点的数目.(2)筛选操作计算所有个体的适应度值,对所有个体按照适应度值进行排序,求出最大、最小适应度值的个体和所有个体的平均值r=rij(0,1)其中,.i=1,2,···,M其中,xj,j=1,2,···n为M维的列向量,t为代数.xbest(t)为当前代中种群中最好的个体;xbad(t)为当前代中种群中最差的个体;xmean(t)为当前种群中所有个体的平均值;xbj(t))-xmean(t)为差分向量.(3)变异操作对所有个体进行的变异操作为:对表现最差个体的操作为:其中,xij(t)为上一代对应的个体,rand为 [- 1 ,1] 之间的随机数;xbest(t)为当前代中种群中最好的个体;xmean(t)为当前种群中所有个体的平均值;xbj(t))-xmean(t)为差分向量.最后用种群中最好的个体代替种群中最差的个体.由于式(5)借鉴了当前种群中最好的个体信息,因而可加快收敛速度.由于每次用表现最好的个体替换表现最差的个体,每次迭代之后,种群的平均水平得到较大的提高.随着迭代次数的增多,种群中最好的个体和平均水平的个体的差分逐渐减小,种群的进化逐渐由粗放搜索转化到细化搜索.(4)选择操作为确定xij(t)是否成为下一代成员,首先判断其是否超过阈值,采用公式(7)进行更新,然后采用评价函数f(xi1,xi2,···,xin),i=1,2,···,M进行比较:其中,xj,j=1,2,···n为M维列向量.反复执行步骤(2)～(4)操作,直至达到最大迭代代数T.1.3 标准差分进化算法的参数设置对于标准差分进化算法而言,为了取得理想的结果,需要对差分进化算法的各个参数进行合理的设置.针对不同的优化问题,参数的设置往往也不同.另外,为了使差分进化算法的收敛速度得到提高,学者们针对差分算法的核心部分,变异向量的构造形式提出了多种扩展形式,以适应更广泛的优化问题.(1)变异因子F变异因子F是控制种群多样性和收敛性的重要参数.一般在[0,2]之间取值.变异因子F值较小时,群体的差异度减小,进化过程不会跳出局部极值,导致种群过早收敛.变异因子F值较大时,虽然容易跳出局部极值,但是收敛速度会减慢.一般可选在F=0.3～0.6.(2)交叉因子cr群体的交叉因子cr一般在[0 ,1]之间选择,比较好的选择应在0.3左右,cr取值偏大,收敛速度会加快,但易发生早熟现象.(3)群体规模M群体所含个体数量M一般介于5D和10D之间(D为问题的维度),M越大,种群多样性越强,获得最优解概率越大,但是计算时间更长,一般取 20～50.(4)最大迭代代数T最大迭代代数T一般作为进化过程的终止条件.迭代次数越大,最优解越精确,但是计算的时间会越长,需要根据具体问题设定.以上四个参数对差分进化算法的求解结果和求解效率都有很大的影响,因此要合理设定这些参数才能获得较好的效果.1.4 改进差分进化算法的参数设置对于改进的差分进化算法仅需设定种群规模M和最大迭代代数T两个参数,减少了人工干预,有利于模型的应用和推广.对于机器人轨迹规划中最优轨迹规划的滑模控制问题,为了将改进DE与标准DE进行对比,此处的种群规模M和最大迭代次数T的设置与标准DE中相同.2 基于最优轨迹规划的滑模控制在控制系统的轨迹规划中,为了使实际上生成的轨迹平滑,在保持理想轨迹接近参考轨迹的同时,还应确保系统在运动过程中消耗的总能量尽可能小,可采用保形分段三次Hermite函数插值,并结合改进的差分进化方法来进行轨迹规划.2.1 轨迹规划算法与相关定理考虑机械转动的二阶线性系统其中,θ为角度,I为转动惯量,b为粘性系数,τ为控制输入,d为加在控制输入上的扰动,|d| ≤ η2.通过差分进化方法,沿着参考路径进行最优规划,从而保证系统运动在不偏离参考路径的基础上,采用滑模控制方法,实现对最优轨迹的跟踪,使整个运动过程中消耗的能量最小.引理 1.对V:[0,+∞)∈R,不等式方程的解为:其中,α为任意常数[14].2.2 最优轨迹的设计不失一般性,最优轨迹可在定点运动-摆线运动轨迹的基础上进行优化.摆线运动的表其中,T是摆线周期;θ0和θd分别是初始角度和目标角度.由于差分进化算法是一种离散型算法,因此需要对连续型的参考轨迹式(10)进行等时间采样,采样时间间隔为,可得离散化参考轨迹为:其中,表示在时刻T对于θr的采样值(j=0, 是离散的参考轨迹.定义为参考轨迹的偏差(j=1,2,···,n-1),k表示差分进化算法中的第k次迭代,即得:其中,表示在时刻由差分进化算法第k次迭代得到的关节角的修正角度.2.3 最优轨迹的优化最优轨迹能够通过优化与参考轨迹的偏差来间接得到.假设系统达到稳定的最大允许时间为t=3TE,根据能量守恒定理,用非保守力做功来表示系统在运动过程中消耗的总能量,目标函数为:其中,ω为权值,ω ∈ (0,1);τ为控制输入信号;s(t)=sd(t)=(θ-θr)为实际跟踪轨迹θ 与理想轨迹θr的距离.通过采用差分进化算法,优化轨迹式(11),使目标函数值最小,从而获得最优轨迹.标准差分进化算法的设定参数如下:最大迭代次数G,种群规模M,变异因子F,交叉因子cr.经过差分进化算法可得到一组最优偏差,进而得到最优的离散轨迹如下:为了获得连续型的最优轨迹,采用保形分段三次Hermite插值进行轨迹规划,即用保形分段三次Hermite插值的方法对离散轨迹进行插值的边界条件如下:将插值得到的连续函数θop(k)作为关节的最优轨迹.定义跟踪误差为e=θop-θ,设计滑模函数为:其中,c＞ 0为常数,则设计滑模控制律为:其中,η1＞0.定义Lyapunov 函数为,则根据引理1中的不等式求解引理[15],解得可见,s(t)为指数收敛,收敛速度取决于η1.3 仿真实例考虑简单的被控对象其中,,采样时间为 ,采ts=0.001用Z变换进行离散化.仿真实验中,最大允许时间为3TE,摆线周期TE=1,在摆线周期内,取采样点数的一半,即n=500,则采样时间为.采样采用保形分段三次hermite插值方法,插值点选取4个点,即通过插值点的优化来初始化路径.具体方法为:插值点横坐标固定取第200,第400,第600和第800个点,纵坐标取初始点和终止点之间的4个随机值,第i个样本(i=1,2,···,Size)第j个插值点(j=1,2,3,4)的值取其中,r为 0 ～1之间的随机值.采用改进的差分进化算法设计最优轨迹θop,取权值ω =0.5,种群规模M=30.分别通过DE和IDE不断优化4个插值点的纵坐标,直到达到满意的优化指标或最大迭代代数为止,这里设定最大迭代代数T=90.跟踪指令为θd=0.5,采用 (15)中的滑模控制律,取c=30,η1=300,为了降低抖振,采用饱和函数代替符号函数,取Δ=0.05,η2=1.01.4 结果分析2010年Weber设计了对缩放因子F进行了适应性的调整[16]分布式 DE 算法(FACPDE).2012 年文献[17]提出了对F和C进行动态调整的分布式DE算法(DDE-PTS).将标准 DE,IDE,FACPDE,DDE-PTS 与滑模控制相结合,得到仿真结果如图1～图3所示.图1为DE与IDE控制输入信号图,图2为DE FACPDE,DDE-PTS 与IDE控制输入信号图.图1和图2显示了IDE相比DE,FACPDE和DDE-PTS对于消除抖振的效果更佳显著.标准差分进化算法由于采用了三次样条插值,要求曲线存在二阶连续偏导,更加平滑;由于要解决的问题中存在二阶导数,改进DE采用保形分段三次Hermite插值,对于二阶导数仅要求存在,弱化了条件,防止了拟合过冲,使用范围更广.FACPDE,DDEPTS由于人工参数设置的影响,导致收敛过程中信号的不稳定性.从图3的适应度函数曲线和图4的目标函数优化的最优轨迹效果图中,可以看出,足够长时间后,DE、FACPDE、DDE-PTS和IDE均可逼近最优解且IDE优化最优轨迹求出最优解的速度比DE,FACPDE和DDE-PTS更快.IDE由于在变异阶段充分利用了群体中最优个体的信息和种群的平均水平,收敛速度有了很大的提升.此外,IDE去掉了变异因子和交叉因子,仅需设置种群数目和最大迭代次数两个参数,减少了人为参与,算法的稳定性得到很大程度的提高,有利于算法的使用和推广.上述结果验证了IDE算法在轨迹规划方面的合理性和有效性.5 结论本文研究了机器人的轨迹规划问题,并提出了基于滑模控制的IDE算法.该算法在变异阶段充分利用了种群中表现最好的个体和种群中所有个体的信息,利用表现最好的个体的信息与平均水平的个体的差分引领种群迭代更新的方向,利用表现最好的个体替换表现最差的个体,加快了收敛速度.取消了变异阶段的变异因子和交叉阶段,去掉了变异因子和交叉因子两个人工调整的参数,增强了模型的稳定性,有利于模型发推广应用.在拟合阶段采用采用保形分段三次Hermite插值,避免了拟合过冲,降低了插值函数光滑性的要求,增大了算法的使用范围.图1 DE 与 IDE 控制输入信号图图2 DE,FACPDE,DDE-PTS 与 IDE 控制输入信号图图3 适应度函数曲线图4 最优轨迹效果图本文工作表明,所提出的基于滑模控制的IDE算法对于机器人的定点运动-摆线运动轨迹的轨迹规划是有效的,未来将继续关注IDE算法在其他生产领域的应用研究. 参考文献【相关文献】1 钱东海,谭伟,赵锡芳.基于B样条路径的机器人时间最优轨迹规划.上海交通大学学报,1998,32(12):29–33.2 杨国军,崔平远.机械手时间最优轨迹规划方法研究.中国机械工程,2002,(20):1715–1717.[doi:10.3321/j.issn:1004-132X.2002.20.002]3 王宪,杨国梁.基于改进蚁群算法的机器人轨迹规划.计算机系统应用,2010,19(11):79–82.[doi:10.3969/j.issn.1003-3254.2010.11.018]4 甘亚辉,戴先中.基于遗传算法的多机器人系统最优轨迹规划.控制理论与应用,2010,27(9):1245–1252.5 付荣,居鹤华.基于粒子群优化的时间最优机械臂轨迹规划算法.信息与控制,2011,40(6):802–808.6 居鹤华,付荣.基于GA的时间最优机械臂轨迹规划算法.控制工程,2012,19(3):472–477.[doi:10.3969/j.issn.1671-7848.2012.03.026]7 王学琨,李刚,周东凯,等.基于 DE 的时间最优 6–DOF 机械臂轨迹规划算法.计算机仿真,2015,32(8):332–337.[doi:10.3969/j.issn.1006-9348.2015.08.072]8 余阳,林明,林永才.基于混合遗传算法的工业机器人最优轨迹规划.计算机工程与设计,2012,33(4):1574–1580.[doi:10.3969/j.issn.1000-7024.2012.04.063]9 赫建立,朱龙英,成磊,等.基于遗传算法的 6–DOF 机器人最优时间轨迹规划.机械传动,2015,39(9):41–45.10 刘一扬,刘明明.基于改进遗传算法的机器人运动轨迹跟踪控制.机械传动,2016,40(3):39–42,61.11 邓飙,张潇,龙勇,等.基于五次 B 样条的起竖装置时间最优轨迹规划 .组合机床与自动化加工技术 ,2016,(6):21–25.12 殷凤健,梁庆华,程旭,等.基于时间最优的机械臂关节空间轨迹规划算法.机械设计与研究,2017,33(5):12–15.13 梁延德,李瑞峰,张红哲,等.基于时间最优的 PTP 轨迹规划问题.计算机工程与设计,2017,38(1):231–237.14 Das S,Konar A,Chakraborty UK.Two improved differential evolution schemes for faster global search.Proceedings of the 7th Annual Conference on Genetic and Evolutionary Computation.Washington DC,USA.2005.991–998.15 Ioannou P,Sun J,Ioannou P A.Robust adaptive controls.Ioannou P,Sun J.Robust adaptive control.Prentice Hall PTR,2013.333–335.16 Weber M,Tirronen V,Neri F.Scale factor inheritance mechanism in distributed differential evolution.Soft Computing,2010,14(11):1187–1207.[doi:10.1007/s00500-009-0510-5]17 Saadi HA,Chouinard JY,Guessoum A.Distributed differential evolution algorithm for PAPR reduction of OFDM signals.Proceedings of the 11th International Conference on Information Science,Signal Processing and TheirApplications.Montreal,QC,Canada.2012.567–572.。

几类密码算法的神经网络差分区分器的改进杨小雪;陈杰【期刊名称】《西安电子科技大学学报》【年(卷),期】2024(51)1【摘要】为了进一步研究神经网络在密码分析方面的应用,利用深度残差网络和传统差分密码分析技术构造并改进了几类典型的轻量级分组密码算法的神经网络差分区分器。

主要取得以下结果:①分别构造了4~7轮PRESENT、3轮KLEIN、7~9轮LBlock和7~10轮Simeck 32/64的神经网络差分区分器,并基于密码的分组结构分别进行了分析;②基于SPN结构分组密码的特点对PRESENT和KLEIN的神经网络差分区分器进行了改进,最多可提高约5.12%的准确率,并在对LBlock的神经网络差分区分器进行研究时验证得出这种改进方式不适用于Feistel结构的分组密码;③基于Simeck 32/64本身密码算法的特点对其神经网络差分区分器进行改进,提高了约2.3%的准确率。

同时,将Simeck 32/64的改进方法与多面体差分分析进行结合,将已有的8轮和9轮Simeck 32/64多面体神经网络差分区分器的准确率提高了约1%和3.2%。

最后,将实验中得到的3类神经网络差分区分器模型分别应用到11轮Simeck 32/64的最后一轮子密钥恢复攻击中,其中最佳的实验结果是在1000次攻击实验中以26.6的数据复杂度达到约99.4%的攻击成功率。

【总页数】13页(P210-222)【作者】杨小雪;陈杰【作者单位】西安电子科技大学通信工程学院;河南省网络密码技术重点实验室【正文语种】中文【中图分类】TP309.7【相关文献】1.基于最优区分器的多差分密码分析方法2.对分组密码算法ARIA算法不可能差分分析的改进3.基于深度学习的多差分神经网络区分器及其应用4.深度学习在分组密码差分区分器上的研究应用5.典型密码结构的不可能差分区分器研究因版权原因，仅展示原文概要，查看原文内容请购买。

一种改进的Memetic差分进化算法赵进龙;霍明明【摘要】提出一种改进的自适应memetic差分进化算法,通过引入正态分布的概念,在种群初始化和局部搜索方面对经典差分进化算法进行改进,提高其寻优精度.并通过引入自适应算子,在增强算法全局收敛性的同时又保证算法具有较高的收敛速度.实验仿真结果表明,改算法具有较好的全局收敛性并能有效避免早熟收敛.【期刊名称】《电子世界》【年(卷),期】2016(000)013【总页数】2页(P86-87)【关键词】差分进化算法;Memetic算法;自适应【作者】赵进龙;霍明明【作者单位】甘肃政法学院;兰州理工大学【正文语种】中文遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机优化算法，因其原理简单，鲁棒性强，适于并行计算等优点，自1975 年J.Holland［1］教授提出之日起，对遗传算法的研究如火如荼。

但是遗传算法采用二进制编码，这种编码方式的最大缺点就是长度较大，对很多优化问题来说用其他的编码方式可能更有利。

差分进化算法（Differential Evolution algorithm）是1995年Storn等人［2］为解决切比雪夫多项式问题时提出的。

差分进化算法是基于群体智能理论的优化算法，相比于遗传算法，DE继承了基于种群的全局搜索策略，采用浮点数编码和基于差分的简单变异操作以及贪婪的竞争生存策略，降低了算法的复杂度。

DE独有的记忆功能使其可以根据当前搜索情况，动态调整搜索策略，具有较强的鲁棒性和全局搜索能力。

全局搜索和局部开发能力的平衡是提高差分进化算法搜索性能的关键性问题，而这在较大程度上依赖于算法中控制参数（NP，F，CR）的选取。

陈岩等［3］通过个体间距离、个体适应度等指标来增强种群的多样性。

2006年，Brest J等［4］提出了一种JDE算法，对F，CR进行自适应调整。

针对DE易过早收敛和陷入局部最优甚至停滞的现象［5-6］，郭义波等［7］提出了随机选择变异策略、自适应调整交叉率和自适应调整变异率的设想，达到了局部搜索和全局搜索的平衡。

改进的差分进化算法及应用李凯斌;卢建刚;吴燕玲;孙优贤【期刊名称】《组合机床与自动化加工技术》【年(卷),期】2008(000)010【摘要】差分进化算法(differential evolution algorithm,DE)是近年来比较流行的进化算法,鉴于其控制参数少、操作简单,被广泛应用于复杂的优化问题中.但常规的差分进化算法存在停滞现象,容易使算法收敛停止,鉴于此本文提出一种改进的差分进化算法,对算法提出另一个终止条件并且重新产生初始个体,时种群大小N,变异率F,交叉率CR其中的也可作调整,在计算过程中引入精英策略,既防止了停滞现象也加快了收敛速率并使算法能收敛到全局最优.通过几个计算典型测试函数,结果表明改进的差分进化算法在优化结果和收敛速度上都优于传统的差分进化算法,因此说明了改进的有效性.【总页数】3页(P16-18)【作者】李凯斌;卢建刚;吴燕玲;孙优贤【作者单位】浙江大学,工业控制技术国家重点实验室,杭州,310027;浙江大学,工业控制技术国家重点实验室,杭州,310027;浙江大学,工业控制技术国家重点实验室,杭州,310027;浙江大学,工业控制技术国家重点实验室,杭州,310027【正文语种】中文【中图分类】TF541【相关文献】1.基于文化算法和改进差分进化算法的混合算法 [J], 黄福令;高慧敏2.基于小波基函数的差分进化算法缩放因子改进方法及应用 [J], 徐英杰; 阎晓琳; 邓武3.改进差分进化算法在四杆机构中的应用 [J], 汤双清;华恒;丁小慧4.自适应二次变异的改进差分进化算法及其应用 [J], 胡福年;董倩男;吕璐5.改进的多目标差分进化算法在水库优化调度中的应用 [J], 孙秋戎;李勇;唐歉;吴绍飞因版权原因，仅展示原文概要，查看原文内容请购买。