6、优化算法在种群初始化与行为障碍分类中的应用研究

优化算法在种群初始化与行为障碍分类中的应用研究

1. 基于反向点的种群初始化新方法

1.1 算法流程

在基于反向点的种群初始化方法中，结合差分进化（DE）算法以加速收敛速度，其具体步骤如下：
1. 计算反向点：$OP_{k,j} = a_j + b_j - P_{k,j}$，其中$k = \frac{NP}{2} + 1, \cdots, NP$；$j = 1, 2, \cdots, D$。
2. 评估每个向量的成本，并找出成本最低的向量。
3. 变异操作：对于每个目标向量$(x_t)$，从当前种群中除$x_t$之外选择三个不同的随机向量。
4. 交叉操作：将每个目标向量与其随机噪声向量重新组合，创建试验向量。
5. 选择操作：通过比较每个$x_t$的成本与试验向量的成本进行选择，成本较低的向量被选入下一代。
6. 交换操作：用新种群替换旧种群。
7. 重复步骤 4 到 7，直到满足终止条件并输出结果。

1.2 实验设置

为了评估该方法的性能，选择了 24 个著名的单峰和多峰基准函数，涵盖了从 2 到 30 维的低维和高维最小化问题。DE 的关键参数设置为：种群大小（NP）为 100，交叉常数（CR）为 0.9，缩放因子（F）为 0.5。设置了三种不同的终止条件：
- TC1：除了${f_9, f_{12}, f_{14}, f_{23}}$为$10^{-7}$，$f_{21}$为$10^{-14}$外，所有基准函数的$f_{min} < 10^{-1}$。
- TC2：$f_{min} < 10^{-6}$。
- TC3：$(f_{max}