摘要
常见的差分进化算法一般包括种群初始化、交叉、变异、选择四个步骤。其中，在变异操作和交叉操作中，变异策略的设计以及参数设置会影响差分进化算法的搜索性能。然而在传统的差分进化算法中，变异策略的选择和参数的设置缺少了问题本身有效信息的指导。针对该问题，相关学者提出了大量改进差分进化算法性能的方法，但对适应度地形进行分析且利用有效的适应度地形信息来引导种群搜索是一个科学且具有新意的角度，具有很大的探索空间和探究价值。 基于上述问题，本文引入了适应度地形的相关概念并对其进行分析，目的是为了从适应度地形的角度人手，充分挖掘优化问题本身和搜索空间的种群信息，并将这种信息用于指导变异策略的选择以及参数的更新，从而引导种群朝适应度更好地方向进化。本文围绕适应度地形特征，设计了两种自适应差分进化算法，均能有效地提高差分进化算法的性能。 本文的研究工作主要有: 针对不同的优化问题，不同变异策略的性能表现也不同，而变异策略的选择又缺少有效的适应度地形信息的指导，因此设计了基于距离相关的自适应差分进化算法。首先根据种群中个体在搜索空间的离散程度从而判断种群的收敛程度，然后选择合适的变异策略运用到不同收敛程度的搜索种群中。 为了有效地利用种群个体的信息引导种群进化从而减少评价次数的浪费，设计了基于可进化性的自适应差分进化算法。首先根据种群中个体适应度值的差异，划分优势个体、劣势个体以及平衡个体和开发种群、探索种群以及平衡种群，然后不同种群的个体再选择合适地变异策略。在更新参数方面，将种群分为不同的子种群，再根据子种群的可进化性来更新参数。 综上所述，为了解决变异策略选择以及参数更新缺乏有效信息指导的问题，本文对适应度地形进行挖掘和利用，分别从距离相关、可进化性两个方面人手提高差分进化算法的性能。最后，本论文在CEC2017测试问题集上针对所设计的机制进行实验以验证其有效性。并对所设计的算法和其它相关优秀算法进行对比实验，结果证明所设计的算法可以平衡差分进化算法的局部收敛能力和全局搜索能力，从而提高差分进化算法的性能。
NETL