.png){kind=icon}
返回
Differential evolution with spherical search algorithm for nonlinear engineering and infectious disease optimization problems
.png){kind=icon}
PRE
AI
DOI：10.1016/j.asoc.2024.112446.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
约束优化的元启发式算法因其简单性和寻找全局解的能力而广受欢迎。然而，它们可能计算成本高昂，并且在识别可行点方面可能面临困难。本研究提出了一种新的算法——带球形搜索的差分进化算法（DESS），该算法结合了球形搜索来探索可行区域，以及差分进化来利用有前景的点。球形搜索（SS）是一种近期算法，它探索每个种群成员周围的球形区域，并使用梯度修复将解引导至可行区域。我们将SS整合到一个带存档的多算子差分进化算法中，该算法使用分层排序来处理约束条件。此外，DESS采用内点法作为局部搜索以获得更精确的解。我们还引入了一个不可行算子，允许DESS检查接近全局解的不可行区域。这对于全局解位于可行区域边界上的问题尤其有益。DESS在57个来自近期实际约束问题的基准目标函数上进行了测试，维度范围从2到158，约束条件最多达148个。它优于18种当前最先进的方法，实现了98%的可行性率并找到了更优的解。DESS在复杂问题上表现出色，包括电力系统、电力电子和牲畜饲料优化。它还被应用于一个涉及常微分方程的约束优化问题，展示了其实际相关性和通用性。
Keyword:
Spherical search
Differential evolution
Metaheuristic algorithm
Engineering optimization
Infectious disease
期刊
IF:
6.6
论文数:
1.4W
被引数:
4.8W
机构
引用论文
Self-Adaptive Spherical Search With a Low-Precision Projection Matrix for Real-World Optimization具有低精度投影矩阵的自适应球形搜索，用于现实世界的优化
.png){kind=icon}
PREAI
分享收藏
分享收藏The spherical search algorithm for bound-constrained global optimization problems边界约束全局优化问题的球面搜索算法
PREAI
分享收藏A dual opposition-based learning for differential evolution with protective mechanism for engineering optimization problems基于双重反向学习的具有保护机制的工程优化问题差分进化
PREAI
分享收藏分享收藏
查看更多内容