%0 Journal Article
%T Convergent Analysis and Algorithmic Improvement of Differential Evolution<br>差分演化的收敛性分析与算法改进
%A HE Yi-Chao
%A WANG Xi-Zhao
%A LIU Kun-Qi
%A WANG Yan-Qi
%A <br>贺毅朝
%A 王熙照
%A 刘坤起
%A 王彦祺
%J 软件学报
%D 2010
%I 
%X 为了分析差分演化(differential evolution,简称DE)的收敛性并改善其算法性能,首先将差分算子 (differential operator,简称DO)定义为解空间到解空间的笛卡尔积的一种随机映射,利用随机泛函理论中的随机压缩 映射原理证明了DE 的渐近收敛性;然后,在“拟物拟人算法”的启发下,通过对DE 各进化模式的共性特征与性能差 异的分析,提出了一种具有多进化模式协作的差分演化算法(differential evolution with multi-strategy cooperatingevolution,简称MEDE),分析了它所具有的隐含特性,并在多模式差分算子(multi-strategy differential operator,简称 MDO)定义的基础上证明了它的渐进收敛性.对5 个经典测试函数的仿真计算结果表明,与原始的DE,DEfirDE 和 DEfirSPX 等算法相比,MEDE 算法在求解质量、适应性和鲁棒性方面均具有较明显的优势,非常适于求解复杂高维 函数的数值最优化问题.
%K differential evolution
%K asymptotic convergence
%K contraction mapping
%K random operator
%K evolutionstrategy<br>差分演化
%K 渐近收敛性
%K 压缩映射
%K 随机算子
%K 进化模式
%U http://www.alljournals.cn/get_abstract_url.aspx?pcid=5B3AB970F71A803DEACDC0559115BFCF0A068CD97DD29835&cid=8240383F08CE46C8B05036380D75B607&jid=7735F413D429542E610B3D6AC0D5EC59&aid=1E3FF7609E6BC9C82E5B57021BB66011&yid=140ECF96957D60B2&vid=659D3B06EBF534A7&iid=E158A972A605785F&sid=4AA5FA7F666BDD0A&eid=745C7FAEA69986C7&journal_id=1000-9825&journal_name=软件学报&referenced_num=1&reference_num=24