基于邻域搜索的自适应差分进化算法

针对传统自适应差分进化算法局部搜索能力薄弱，寻优精度低的缺点，提出一种基于邻域搜索的改进自适应差分进化算法（DADE）。在传统自适应差分进化算法的基础上，通过引入邻域搜索操作，扩大了算法搜索的范围，通过引入高斯扰动来进一步提高算法的收敛速度。在IEEE CEC2013函数集中选取15个基准函数进行实验，与先进的算法变种SinDE、MDE、FWADE,FWA的性能进行比较。实验结果表明，DADE算法在13个函数的误差均值上小于对比算法。