| 基于M-H采样的快速反向微分进化算法 |
| |
| 引用本文： | 涂维维,葛洪伟,杨金龙,袁运浩. 基于M-H采样的快速反向微分进化算法[J]. 计算机工程, 2014, 0(11): 155-159,166 |
| |
| 作者姓名： | 涂维维 葛洪伟 杨金龙 袁运浩 |
| |
| 作者单位： | 江南大学物联网工程学院,江苏 无锡,214211 |
| |
| 基金项目： | 国家自然科学基金资助项目，江苏省自然科学基金资助项目，江苏高校优势学科建设工程基金资助项目。 |
| |
| 摘 要： | 反向微分进化(ODE)算法基于反向优化对种群进行初始化更新以保持种群多样性。但该算法中反向个体容易偏离全局最优个体,不能很快达到全局最优,在函数优化过程中收敛速度慢且容易陷入局部最优。为此,提出一种基于M-H采样的快速反向微分进化算法。M-H采样用于ODE算法的变异操作,满足马尔可夫链可逆条件。马尔可夫链的一步转移概率根据个体等级分配的选择概率进行计算,既能选择最优个体,又能寻找优化方向并保持种群多样性。仿真结果表明,M-H采样得到的个体具有马尔可夫链平稳分布特性,该算法在单峰函数和多峰函数优化中都能快速收敛,全局和局部搜索性能达到平衡,具有较高的搜索精度及较好的鲁棒性。
|
| 关 键 词： | 微分进化算法 反向微分进化算法 转移概率 平稳分布 马尔可夫链蒙特卡洛 反向学习 |
Fast Opposition Differential Evolution Algorithm Based on M-H Sampling |
| |
| TU Weiwei , GE Hongwei , YANG Jinlong , YUAN Yunhao. Fast Opposition Differential Evolution Algorithm Based on M-H Sampling[J]. Computer Engineering, 2014, 0(11): 155-159,166 |
| |
| Authors: | TU Weiwei GE Hongwei YANG Jinlong YUAN Yunhao |
| |
| Abstract: | |
| |
| Keywords: | Differential Evolution ( DE ) algorithm Opposition Differential Evolution ( ODE ) algorithm transition probability stationary distribution Markov Chain Monte Carlo( MCMC) Opposition-based Learning( OBL) |
| 本文献已被 CNKI 万方数据 等数据库收录！ |
|
