.png){kind=icon}
返回
Enhanced mutation strategy based differential evolution for global optimization problems
.png){kind=icon}
OA
AI
DOI：10.7717/peerj-cs.2696.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
差分进化（DE）是解决全局优化挑战的一种突出算法。DE的有效性很大程度上取决于其变异操作，该操作是生成多样化和高质量解的关键机制。本文探讨了旨在提升DE在全局优化任务中性能的各种变异操作。引入了一种独特的变异策略，其主要目标是通过实现探索与开发的和谐平衡来同时提高收敛速度和解决方案质量。所提出的DE基于一种新颖的变异策略，在基本变异策略（DE/rand/1）的基础向量中引入了一个新的系数因子（sigma）。这一创新旨在加强局部变量在开发阶段的收敛性，从而改善收敛速率和质量。通过一组在全局优化中常用的27个基准函数评估了所提出的变异操作的有效性。实验结果明确表明，这些增强型变异策略在解的准确性和收敛速度方面显著优于当前最先进的算法。本研究强调了变异操作在DE中的关键作用，并为设计更强大的变异策略以解决复杂的全局优化问题提供了宝贵的见解。
Keyword:
Optimization
Differential evolution
Evolutionary algorithms
Mutation strategies
Benchmark function
期刊
IF:
2.5
论文数:
3.4K
被引数:
6.9K
机构
引用论文
An enhanced distributed differential evolution algorithm for portfolio optimization problems一种改进的分布式差分进化算法求解投资组合优化问题
.png){kind=icon}
PREAI
分享收藏
Solving numerical and engineering optimization problems using a dynamic dual-population differential evolution algorithm使用动态双种群差分进化算法求解数值和工程优化问题
PREAI
分享收藏Differential Evolution Algorithm With Strategy Adaptation for Global Numerical Optimization求解全局数值优化问题的策略自适应差分进化算法OAAI
OAAI分享收藏
查看更多内容