蚁群算法[4]（ant colony optimization, ACO）与粒子群优化算法一样，都是一种群智能算法，它是模拟蚁群在发现食物的途中搜索路径的方式来优化问题。其原理与真实的蚁群行为无异，一般蚂蚁都会释放出一种信息素在搜索食物的路上，而它是会挥发的，所以接下来的

蚂蚁往往是以路上存留的信息素的浓度来选择如何走，这种浓度的多少是与蚂蚁选择此路径的概率是成正比的。这样当路径越短，它之上散发的信息素也就愈多，这样后来者采用这条路径的概率就愈高，蚁群倚赖这种正反馈机制逐渐逼近全局最优解。

除此之外我们此次所要用到的群搜索优化（Group Search Optimizer，GSO）算法也是一种群集智能算法，它也是根据动物群居生活中寻找食物的行为来优化问题。将一个条件最好的个体命名为发现者，因为它发现了食物或者离食物最近，剩下一部分则不断向其游走，另一部分则随机行动。

1。3 国内外研究现状

1。4 本文内容结构

本文主题是基于差分进化算法的混合算法研究，除了介绍进化计算的发展及前景外，以遗传算法作为铺垫，着重介绍差分进化（Differential Evolution，DE）算法和群搜索优化（Group Search Optimizer，GSO）算法，以及混合算法的设计与实现。群搜索优化算法对优化单模态函数方面效果显著，在多模态函数方面也成就斐然，而DE算法在连续空间上的全局最优化及增加种群多样性防止过早收敛局部最优解上也有不可替代的作用。

第一章介绍了进化规划、进化策略及遗传算法的原理及相关操作，同时也简单介绍了当前应用面较广的蚁群算法和粒子群优化算法，展望了一下DE算法的发展前景及国内国际学者对其的改进思路。

第二章主要是陈述了标准差分算法相关的概率和步骤流程，这可以说是全文的理论基础。

第三章介绍了群搜索优化算法和混合算法的设计细节，相对于单一的DE算法其在搜索及效率上有何优势。

第四章主要是讲混合差分算法的实现及在参数优化中的应用，给出混合算法在四种测试函数的结果并与DE算法和群搜索优化算法进行分析。

第二章 标准差分进化算法介绍文献综述

差分进化（Differential Evolution，DE），作为现今正颇受关注的一种群智能进化算法，它的原理与遗传算法颇为相似。差分进化（DE）算法是一种用于优化问题的启发式算法，该算法是1995年由R。Storn和K。Price首次提出并出版相关刊物，其初衷原为解切比雪夫多项式[15]。差分进化（DE）算法源自于遗传算法，是一种基于种群差异，利用种群间个体的竞争或者合作对问题进行优化求解。相较于其他算法而言，标准DE算法保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作以及一对一的竞争生存策略，它降低了遗传操作的复杂性[16]。在DE算法中，其扫描机能很大程度是在于算法在整体扫描及局部变异创新能力的相互制衡，这很重要的一方面便在于，算法对相关参数的设置，相对于遗传算法设定种群规模NP、交叉概率Cr外，DE算法还引入了缩放比例因子F，F有时也叫变量尺度缩放因子，显而易见，它是为了控制变异向量对种群的影响。在我之前说明了遗传算法的操作步骤后，差分进化的操作步骤也就显得浅显易懂。首先，初始化种群并进行相关参数设置，接下来通过目标优化函数计算种群每个成员的适应度，如若满足条件则立即输出结果，否则按顺序进入标准差分进化算法的三个核心操作，这之后新的子代通过与父代竞争来选择存留，若满足条件就输出结果，否则继续迭代直至算法结束。