进化算法复习:Self-adaptive Differential Evolution with Neighborhood Search(SaNSDE)

本文深入探讨SaNSDE算法,一种结合NS和Sa机制的差分进化算法。通过随机缩放因子F和自适应变异策略,增强算法跳出局部最优的能力。详细介绍了变异策略、缩放因子F及交叉率CR的自适应调整方法。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

SaNSDE

  • SaNSDE使用了两种机制,NS和Sa
  • 首先介绍一下常用的变异策略
    在这里插入图片描述
    其中F为缩放因子,控制探索区域的范围,DE/rand/1中的1代表的是1个探索方向

NS

  • NS的idea就是缩放因子F不要固定死,随机产生,公式为
    在这里插入图片描述
    fp在NS中为常数0.5,δ\deltaδ为t=1的T分布。实验证明NS有利于跳出局部最优

Sa

  • Sa使用两种变异策略,并自适应变异缩放因子F和交叉率CR
    在这里插入图片描述
    其中p初始化为0.5,在一定代数以后,p以一下公式进行更新
    在这里插入图片描述
    其中ns1代表使用变异策略1成功进入下一代的后代数目,f代表失败,其他参数同理。
  • 缩放因子F
    在这里插入图片描述
  • 交叉率
    在这里插入图片描述
    其中CRmCR_mCRm初始化为0.5,设定多少代内保持相等。其中CRmCR_mCRm计算公式为
    在这里插入图片描述
    上边我以前论文旁边做的注释其实很清晰。数组CRCrec的长度是不确定的,每一次后代比父代更优,就将该个体对应的CR[i]插入到CRCrec,即每一代中的某个后代成功进入下一代则其对应CRiCR_iCRi则插入到CRrecCR_{rec}CRrec中。CRrecCR_{rec}CRrec每次更新以后都清空。所谓的自适应在这里就是用后代的进化情况来决定参数。

介绍正主SaNSDE

  • 变异缩放因子F以及F生成策略为第一种的概率fpf_pfp都与NSDE中的NS基本一致
    在这里插入图片描述
  • SaNSDE跟SaDE同样采用两种策略,与上述描述中SaDE中的变异公式一致,只是F使用上述的公式
    在这里插入图片描述
  • 交叉策略跟SaDE类似,只是交叉率产生公式中的高斯均值更新公式改了一下,给每一个后代对应的交叉率CRiCR_iCRi加权。权重为后代比父代在fitness上的变化幅度,再除以所有成功进入下一代的后代的fitness变化幅度的和。
    在这里插入图片描述
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值