原创《基于双精英种群的单目标优化》
本文是精英类有关论文参考文献范文和精英种群和优化和目标相关毕业论文提纲范文。
［摘 要］ 采用一种基于双精英种群的协同进化算法对标准的测试函数进行实验,并与FEP、OEA、MECA、ES、RY、KM算法结果进行比较与分析,检验求解数值优化问题的性能.
［关
键 词］ 双精英；协同进化；优化
［中图分类号］ G642
［文献标志码］ A
［文章编号］ 2096-0603（2016）33-0131-01
一、引言
随着研究的不断深入以及积累,发现传统算法在选择操作和交叉操作中存在一些不足,以至于算法的收敛性和分布性受到影响.本文采用基于双精英种群的精英策略来改进这些不足.
二、双精英种群精英策略
本文是将整个种群划分成两个不同级别的精英种群和一个普通种群.高级别的精英种群保证精英个体的质量,低级别的精英种群保证精英个体的均匀性.设种群规模为N,种op等于（x1,x2,…,xN）,根据种群中个体适应度的高低,将排在种op前M1名的个体划分为级别1的精英种群；种op中去除前M1名个体后得到种op2,将排在种op2前M2名的个体划分为级别2的精英种群；剩余个体组成级别3的普通种群.
三、单目标优化仿真实验
为了验证双精英种群精英策略的有效性,采用标准测试函数F01、F03对DEPEA算法求解无约束优化问题的性能,参照FEP、OEA算法的实验设计,实验结果如表1所示.采用标准测试函数G01、G09对DEPEA算法求解约束优化问题的性能,参照MECA、ES、RY、KM的实验设计,实验结果如表2所示.
四、实验结果与分析
基于双精英种群的协同进化算法在进化过程中更加强调精英个体的作用,从而能够保证算法的收敛速度大大加快.多样化地采用进化算子,能够保证种群的多样性,降低陷入局部最优的可能性,最终能够改善优化结果.
五、小结
DEPEA采用协同进化策略并结合多种交叉变异算子,更有针对性地实现进化,避免过度随机化造成算法停滞以及早熟收敛等情况的出现,该方法提高了算法的局部搜索和全局搜索的能力,保证了种群的多样性,降低了算法陷入局部最优的风险,寻优结果也因此得到了改善.
参考文献：
［1］周丹,耿焕同,贾婷婷,等.一种基于双精英种群的协同进化算法研究［J］.计算机应用与软件,2015（2）：244-248.
［2］Liu J,Zhong WC,Jiao LC. An Organizational Evolutionary Algo-rithm for Numerical Optimization.IEEE Transactions on Systems,Man,and Cybernetics—Part B：Cybernetics,2007,37（4）：1052-1064.
［3］Thomas P.Runarsson,Xin Yao.Stochastic Ranking for Constra-ined Evolutionary Optimization［J］.IEEE Trans.on Evolutionary Com-putation,2000,4（3）：284-294.
［4］Mezura-Montes E,Coello C A C.A simple multimembered evolution strategy to solve constrained optimization problems［J］. Evolutionary Computation,IEEE Transactions on,2005,9（1）：1-17.
［5］Yao X,Liu Y,Lin G.Evolutionary programming made faster［J］.Evolutionary Computation,IEEE Transactions on,1999,3（2）：82-102.
精英论文参考资料：
总结：上文是适合不知如何写精英种群和优化和目标方面的精英专业大学硕士和本科毕业论文以及关于精英论文开题报告范文和相关职称论文写作参考文献资料。
