摘要科技发展的日新月异导致如今面临的问题的复杂性越来越高，从优化方面来说，如今许多问题都存在诸如非线性、不确定、复杂性高、规模大、建模难等特点。为了提高搜索速度，同时避免陷入传统算法过早收敛局部最优的缺陷，利用差分进化算法较强的全局收敛能力和高鲁棒性来寻求全局优化的最佳效果。为了提高解的优化性能和收敛速度，同时提高算法的泛化能力，常常会使用两种或以上的算法组合，使算法达到全局搜索与局部搜索的平衡。这种使用两种或以上算法组合的方式称为混合算法。本文采用群搜索优化算法（GSO）与改进的差分进化算法混合，同时针对多个标准测试函数进行仿真实验分析。试验结果证明，该混合算法比差分进化算法和群搜索优化算法具有较好的效果。82740

毕业论文关键词 差分进化算法 群搜索优化算法 全局优化 混合算法 

毕业设计说明书外文摘要

Title   Hybrid differential evolution algorithm

Abstract

The rapid development of science and technology led to the now faces the problem is becoming more and more complicated, from the optimization is concerned, now many of the problems are such as non-linear, uncertain and multi object high complexity and large scale, modeling difficult and other characteristics。 In order to improve the search speed and avoid the defects of premature convergence of the traditional algorithm, the best result of global optimization is to use the strong global convergence ability and high robustness of the differential evolution algorithm。In order to improve the optimization performance and convergence speed of the solution, the generalization ability of the algorithm is improved, and two or more algorithms are used in combination to achieve the balance of global search and local search。This combination of two or more algorithms is called hybrid algorithm。 In this paper, a group of search optimization algorithm (GSO) and improved differential evolution algorithm is used in this paper, and the simulation experiment of multiple standard test function is carried out。The experimental results show that the hybrid algorithm has better effect than the differential evolution algorithm and the group search optimization algorithm。

Keywords  differential evolution algorithm，group search optimizer algorithm，hybrid algorithm

目   次

1 绪论1

1。1 课题研究背景及意义。。1

1。2 进化算法的发展历程。。1

1。4 本文内容结构。。5

2 标准差分进化算法介绍。。6

2。1 种群初始化。6

2。2 变异操作6

2。3 交叉操作7

2。4 选择操作8

3 混合差分算法的设计。10

3。1 群搜索优化（GSO）算法。。10

3。2 混合算法的设计13

4 混合差分进化算法的实现及在参数优化中的应用。15

4。1 混合算法的程序框架。。15

4。2 混合差分算法的实现。。16

4。3 混合差分算法的实现及参数优化中的应用。。16

4。4 本章小结20

结论。。21

致  谢22

参 考 文 献。23

第一章 绪论

1。1 课题研究背景及意义

理想情况下，解决一个具体的优化问题，本身是很困难的。例如，一个拥有机械专业知识的结构工程师一般不会是一个优化理论的专家，为了改进他的设计，就需要简单易用的优化工具。除了易于使用，一个全局优化算法也应该是强大到足以可靠地收敛到真正的优化解。此外，计算机计算得到优化解的时间是不应该过多的。因此，一个真正有用的全局优化方法应该简单，易于实现，使用方便、稳定、高效。而差分进化（Differential Evolution，DE）就是这样一种优化算法。