Dynamic hybrid adaptive differential evolution algorithm

Song, Zhenghao

doi:10.1016/j.eswa.2026.133384

Dynamic hybrid adaptive differential evolution algorithm

2026-07-01

0

PRE

AI

DOI：10.1016/j.eswa.2026.133384

原文链接

原文求助

摘要

En 中文

差分进化（DE）已成为一种领先的基于种群的随机优化技术，因其概念简单且在处理连续实参数问题上有效而备受赞誉。尽管其应用广泛，但经典DE框架和许多改进变体仍持续面临两个长期问题：早熟收敛和种群多样性侵蚀，这些问题在复杂的多模态优化场景中尤为突出。这些不足通常源于探索与开发行为之间的次优权衡、停滞阶段无效的变异算子以及倾向于破坏有前景搜索轨迹的多样性保持方法。为缓解这些限制，我们提出了动态混合自适应差分进化（DMADE）算法，该算法引入了三项主要创新：首先，采用受高斯启发的基分量和自适应扰动来动态调节探索-开发平衡的双相参数自适应机制；其次，利用种群分布特征来更新陷入局部最优解的中心驱动变异策略；最后，基于势能理论的多样性增强技术，结合动态交互感知和梯度引导的重新定位。在CEC2014、CEC2017和CEC2022测试套件上的实证研究表明，DMADE在解精度、收敛速度和算法稳定性方面均优于当前最先进的DE算法。通过广泛的统计测试和组件级消融实验进一步验证了该方法的有效性，证实其在克服当代进化优化中普遍存在的核心挑战方面的优越性。

Keyword:

Differential evolution

Parameter control

Population diversity

Mutation strategy

Dynamic hybrid adaptive differential evolution algorithm

摘要

期刊

机构

引用论文