一种改进的差分进化算法

专利名称：基于改进差分进化算法的微网容量优化配置方法专利类型：发明专利
发明人：吴定会,张子恒,欧阳洪才,祝志超,张娟,马睿洁
申请号：CN202110008891.5
申请日：20210105
公开号：CN112836423A
公开日：
20210525
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于改进差分进化算法的微网容量优化配置方法。

以总成本最低为目标，建立基于改进差分进化算法的微网容量优化配置方法。

包括以下步骤：1.确定微网对象，对微网的进行数学建模。

2.根据负载的特性和风光柴储互补发电系统特点，确定该系统的能量调度策略。

3.以成本最低为目标函数，构建系统的目标函数方程。

4.利用matlab软件对系统的数学模型进行编程与仿真，在算法部分，采用群智能算法对问题进行优化求解。

分别在种群初始化阶段，变异阶段对差分进化算法进行改进。

将改进后的差分进化算法应用于微网的容量优化配置中。

克服了传统优化算法求解精度不高，速度较慢的问题，改进了微网容量配置的科学性和经济性。

申请人：江南大学
地址：214122 江苏省无锡市滨湖区蠡湖大道1800号
国籍：CN
代理机构：无锡华源专利商标事务所(普通合伙)
代理人：聂启新
更多信息请下载全文后查看。

Science &Technology Vision 科技视界0引言差分进化算法是1995年由Storn 和Price 提出来的一种基于种群的随机性搜索算法,差分进化算法在求解各式样的优化问题中表现出了良好的全局寻优能力[1],同时其结构简单、操作容易,具有很多优点,但不可避免的是其容易陷入局部最优导致无法快速准确的收敛到全局最优值。

不同学者也提出了很多对差分进化算法的改进,主要有对控制参数的改进以及对突异策略的改进等[2-4]。

本文研究主要分为以下几个部分,首先对差分进化算法简要介绍,之后提出改进的差分进化算法,并对改进算法进行Benchmark 函数实验,最后给出结果及结论。

1基本差分进化算法差分进化算法是一种经常用于解决优化问题的随机性搜索算法,它采用实数编码方式。

算法主要包括突变、交叉以及选择操作[5],涉及到的参数主要包括种群大小Np ,突变概率F (一般取值范围0到1),交叉概率Cr (一般取值范围0到1)。

算法的流程主要分为以下几部分:(以下i∈[1,Np ],j∈[1,D ],G 迭代次数)1)种群初始化:算法采用随机初始化方式产生一定大小的初始种群,具体生成方式如下:x j ,i =x Lj +rand i ,j (0,1)·(x Uj -x Lj )(1)2)突变操作:是差分进化算法中最重要的操作,随机产生的三个互不相同的个体,选取一个作为目标向量,通过另两个向量的差来引导目标向量进行突变操作,具体形式如下:v i ,G =x r 1,G +F ·(x r 2,G -x r 3,G )(2)除了上述最经典变异策略之外,还有几种常见变异策略见文献[6]。

3)交叉操作:在突变操作之后,为增加种群的多样性,我们对突变个体和父代个体进行交叉操作,常用的二项式交叉具体形式如下:u i ,j ,G =v i ,j ,G ,如果rand i ,j ≤Cr 或j=rand (i )x i ,j ,G ,其他{(3)4)选择操作:算法的选择操作采用的是一种一对一的贪婪选择机制,将交叉操作后生成的试验向量与父代个体进行比较,选取具有更优适应度的个体进入下一代,具体如下:X i ,G+1=u i ,G ,如果fitness (u i ,G )≤fitness (X i ,G )X i ,G ,其他{(4)2改进差分进化算法本文对差分进化算法的改进主要分为以下两个方面:1)突变和交叉操作的改进:本文主要针对常用突变操作中的v i ,G =x i ,G+F ·(x best ,G -x i ,G )+F ·(x r 1,G -x r 2,G )突变方式,我们随机的从种群选取种群个数的百分之p,选取这部分个体中具有最有适应度的个体,用x gr_best ,G 来代替替代x best ,G 。

改进的差分进化算法
差分进化算法是一种常用的全局优化算法，但其收敛速度较慢，易陷入局部最优解。

为了改进算法性能，研究人员提出了许多改进方法。

一种改进差分进化算法的方法是采用自适应控制参数。

传统的差分进化算法使用固定的控制参数，但这会导致算法收敛速度较慢或者无法收敛。

自适应控制参数适应当前优化过程中的问题，从而更好地控制算法。

另一种改进方法是引入多种差分变异策略。

传统的差分进化算法只使用一种变异策略，但这样可能会导致算法陷入局部最优解。

引入多种变异策略可以增加算法的搜索能力，使其更容易找到全局最优解。

此外，还有一些其他的改进方法，如使用混合算子、增加种群多样性等。

这些改进方法可以在不同场景下提高差分进化算法的性能。

- 1 -。

求解0-1规划问题的改进差分进化算法改进差分进化算法（Differential Evolution，DE）是一种求解0-1
规划问题的受欢迎的进化计算方法。

DE得到的解决方案是一种全局最优解，能够有效地解决复杂、约束强的0-1规划问题。

DE有以下三个步骤：
1. 首先，初始化一组潜在的解决方案，每个解决方案由一组0-1变
量的组合表示；
2. 对每一个解决方案应用一个变异运算，有时也称作“基因重组”，用以获得新的解决方案；
3. 对比新的解决方案与当前最优解决方案，如果新解决方案更加优秀，则接着应用这种变异运算，否则继续下一次迭代。

DE基于当前探索地图中的群体做出最优决策，穷举所有可能的解决
方案并不再必要。

此外，DE还能够有效地解决约束强的0-1规划问题，
因为它可以灵活地通过基因重组的过程实现等价变换，从而把复杂的约束
条件转换成更容易求解的等价约束条件。

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。

交叉概率差分进化算法
交叉概率差分进化算法是一种用于优化问题的进化算法，与其他经典的遗传算法不同，交叉概率差分进化算法具有较快的收敛速度和更高的优化性能。

一、基本概念
交叉概率差分进化算法是基于进化算法的一种优化算法。

差分进化算法是一种从种群中产生差分向量并利用差分向量来更新目标向量的算法。

交叉概率差分进化算法是一种改进的差分进化算法，通过引入交叉概率来控制算法的搜索方向。

二、算法步骤
1. 初始化：生成种群，设置交叉概率、变异概率、最大迭代次数等参数。

2. 适应度计算：将初始种群的每个个体应用于优化问题，计算适应度函数值，以便评估和比较每个个体。

3. 差分向量生成：根据生成的种群和变异概率，生成一些差分向量。

4. 交叉操作：根据交叉概率，将差分向量和种群中的某些个体进行交叉操作。

5. 新种群生成：根据交叉结果和适应度函数进行新种群的生成。

6. 更新种群：将新生成的种群作为下一代种群。

7. 迭代次数判定：当达到最大迭代次数或者满足停止条件时，停止迭代过程。

8. 输出结果：输出最优解或者最优个体。

三、优化应用
交叉概率差分进化算法经常用于解决多目标优化问题、非线性规划问题、组合优化问题、图像处理、机器学习等各种优化领域。

四、总结
交叉概率差分进化算法虽然与其他的进化算法类似，但其本身具
有更高的优化性能和更快的收敛速度。

它适用于许多实际问题的求解，并被广泛应用于优化领域。

因此，我们在优化问题的求解过程中，可以尝试使用交叉概率差
分进化算法，以提高效率和准确性。

一种改进的基于差分进化的多目标进化算法
李珂;郑金华
【期刊名称】《计算机工程与应用》
【年(卷),期】2008(44)29
【摘要】近年来运用进化算法(EAs)解决多目标优化问题(Multi-objective Optimization Problems MOPs)引起了各国学者们的关注.作为一种基于种群的优化方法,EAs提供了一种在一次运行后得到一组优化的解的方法.差分进化(DE)算法是EA的一个分支.最开始是用来解决连续函数空间的问题.提出了一种改进的基于差分进化的多目标进化算法(CDE),并且将它与另外两个经典的多目标进化算法(MOEAs)NSGA-II和SPEA2进行了对比实验.
【总页数】6页(P51-56)
【作者】李珂;郑金华
【作者单位】湘潭大学,信息工程学院,湖南,湘潭,411105;湘潭大学,信息工程学院,湖南,湘潭,411105
【正文语种】中文
【中图分类】TP18
【相关文献】
1.一种改进的基于密度的多目标进化算法 [J], 王鹏;张长胜;张斌;刘婷婷
2.一种改进的基于约束支配的多目标进化算法 [J], 张勇德;黄莎自
3.一种改进的基于分解的多目标进化算法 [J], 侯薇;董红斌;印桂生
4.一种改进的基于目标空间分割的多目标进化算法 [J], 任长安;李智勇;陈友文
5.一种基于新型差分进化模型的MOEA/D改进算法 [J], 耿焕同;周利发;丁洋洋;周山胜
因版权原因，仅展示原文概要，查看原文内容请购买。

差分进化算法的改进及应用研究1.改进差分进化算子：差分进化算法的核心是差分进化算子，即通过计算差分向量生成新的解。

改进算子的方法包括：变异策略的改进、交叉算子的改进、选择算子的改进等。

2.引入约束处理方法：在求解一些具有约束条件的优化问题时，约束处理是一项重要的挑战。

一种方法是通过惩罚函数来处理约束条件，将违反约束的个体的适应度值惩罚为较低值。

另一种方法是引入罚函数来对约束进行处理，将违反约束的解惩罚为较差的解。

3.多种差分进化算法的组合：将多种差分进化算法进行组合，可以有效提高算法的性能。

例如，可以将不同的变异策略结合在一起使用，或者将不同的交叉算子进行组合应用。

4.参数自适应：差分进化算法中有一些重要的参数，如差分向量的权重因子和交叉概率等。

参数自适应的方法可以根据问题的性质自动调整这些参数，以提高算法的性能。

1.优化问题：差分进化算法可以应用于各种优化问题，包括函数优化、组合优化、约束优化等。

例如，可以利用差分进化算法来求解函数的最大值/最小值，或者求解具有约束条件的优化问题。

2.机器学习：差分进化算法可以用于机器学习中的特征选择、参数优化等问题。

例如，在分类问题中，可以利用差分进化算法来选择最优的特征子集，从而提高分类准确率。

3.图像处理：差分进化算法可以用于图像处理中的图像增强、图像分割、图像配准等问题。

例如，可以利用差分进化算法来优化图像的滤波器参数，从而改善图像的质量。

4.电力系统优化：差分进化算法可以用于电力系统的调度、优化和控制问题。

例如，可以利用差分进化算法来优化电力系统的负荷分配，从而提高电力系统的效率和稳定性。

改进的排序变异多目标差分进化算法刘宝;董明刚;敬超【摘要】针对多目标差分进化算法在求解问题时收敛速度慢和均匀性欠佳的问题,提出了一种改进的排序变异多目标差分进化算法(MODE-IRM).该算法将参与变异的三个父代个体中的最优个体作为基向量,提高了排序变异算子的求解速度;另外,算法采用反向参数控制方法在不同的优化阶段动态调整参数值,进一步提高了算法的收敛速度;最后,引入了改进的拥挤距离计算公式进行排序操作,提高了解的均匀性.采用标准多目标优化问题ZDTl～ZDT4,ZDT6和DTLZ6～DTLZ7进行仿真实验:MODE-IRM在总体性能上均优于MODE-RMO和PlatEMO平台上的MOEA/D-DE、RM-MEDA以及IM-MOEA;在世代距离(GD)、反向世代距离(IGD)和间隔指标(SP)性能度量指标方面,MODE-IRM在所有优化问题上的均值和方差均明显小于MODE-RMO.实验结果表明MODE-IRM在收敛性和均匀性指标上明显优于对比算法.【期刊名称】《计算机应用》【年(卷),期】2018(038)008【总页数】7页(P2157-2163)【关键词】多目标优化问题;差分进化算法;排序变异算子;反向参数控制;拥挤距离【作者】刘宝;董明刚;敬超【作者单位】桂林理工大学信息科学与工程学院,广西桂林541004;广西嵌入式技术与智能系统重点实验室(桂林理工大学),广西桂林541004;桂林理工大学信息科学与工程学院,广西桂林541004;广西嵌入式技术与智能系统重点实验室(桂林理工大学),广西桂林541004;桂林理工大学信息科学与工程学院,广西桂林541004;广西嵌入式技术与智能系统重点实验室(桂林理工大学),广西桂林541004【正文语种】中文【中图分类】TP180 引言现实生活中存在着大量的问题拥有两个或者更多的目标需要同时优化，这些目标之间相互联系，彼此制约，此类问题均可以描述为多目标优化问题。

差分进化算法改进研究共3篇差分进化算法改进研究1差分进化算法改进研究差分进化算法（Differential Evolution，DE）是一种全局优化算法，在解决多维非线性连续优化问题中具有广泛的应用。

然而，随着问题规模和复杂度的增加，DE算法在计算效率和搜索精度等方面仍存在着一些不足，因此研究如何改进DE算法一直是学术界关注的热点。

DE算法采用的是一种差分变异策略，通过从当前种群中选择三个不同的个体，并对其中两个个体进行差分操作，生成一个变异向量，将其加入到另一个个体中来产生一个试验个体。

这个试验个体会与另一个原始个体进行比较，选择较优的个体作为当前种群的下一代，以此类推。

这种策略简单有效，但容易陷入局部最优解，且算法收敛速度较慢，难以应用于高维、复杂、多峰等问题中。

为了提高DE算法的性能，研究人员进行了一系列的改进。

以下是几种常见的改进策略。

1. 多种形式的差分策略差分策略是DE算法优化性能的关键之一，选择不同的差分策略可以对DE算法进行有效的改进。

经典的差分策略包括随机选择、最优选择、轮盘选择和自适应选择等，每种策略都有各自的优劣点。

某些特定任务或数据集中可能只有某种差分策略更适用，因此需要针对任务特点选择最适合的差分策略。

2. 交叉策略的优化交叉策略是DE算法中的另一个重要参数，用来控制变异向量与原始个体的交叉程度。

在标准差分进化算法中，交叉策略通常为固定值，不受任何限制。

但事实上，交叉策略与差分策略之间是相互关联的。

因此，如何优化交叉策略，选择最适合的差分策略与交叉策略组合是DE算法改进策略的一个研究方向。

3. 变异策略的改进变异操作是DE算法的核心之一，也是DE算法效果的关键之一。

变异策略即差分策略中的第一步操作，它是求解最优化问题的难点。

设计一种高效的变异算子可以提高算法的搜索能力，扩大算法的适用范围。

近年来，有学者提出了各种变异策略，如融合策略、自适应策略、非均匀策略、自适应变异步长等，这些策略表现出了良好的实验效果。