引导聚类的多层次差分演化算法研究.pdf

中图分类号：TP393 论文编号：143131316
学科分类号： 密 级：

天津理工大学研究生学位论文





引导聚类的多层次差分演化算法研究


（申请工程硕士学位）









专业学位类别： 工程硕士
工程领域：计算机技术
作者姓名：张慧芳
指导教师：黄玮 副教授




2017 年 2 月
Thesis Submitted to Tianjin University of Technology for
the Master’s Degree




Research on Guided-Clustering
Multi-level Differential Evolution












By
Huifang Zhang

Supervisor
Wei Huang


February 2017
摘要

差分演化(Differential Evolution)算法是一种用于解决全局优化的经典演化算法，已经
成功应用于解决一系列工程问题，但是差分演化算法也有一定的弱势，特别是在全局优
化需要有限数量的适应度函数评估次数来定位全局最优解的情况下。在现实生活中，聚
类算法在信息的归类方面应用频率颇高，为了更进一步提高差分演化算法的性能，我们
尝试着用聚类算法对差分演化算法做进一步不同的优化，论文主要创新点如下：
（1）提出了聚类的复合差分演化算法，摆脱了传统差分演化算法中控制参数和试验
向量生成策略单一的弱点，并且优化过程中的聚类算法更有效的利用了种群信息，从而
提高算法的优化性能以及鲁棒性。差分演化算法中的试验向量生成策略以及控制参数的
特点已经被广泛研究，这些先有知识可以用于设计更有效和鲁棒性更强的差分演化变体
算法，但是在一些自适应差分演化算法和一些这方面的变体算法中，为每一个目标向量
仅使用一个试验向量生成策略和一组控制参数设置，为了冲破这种方式给算法搜索能力
所带来的限制，本文提出了一种聚类的复合差分演化算法。
（2）提出了引导聚类的差分演化算法，克服了传统基于聚类的差分演化算法中的随
机和盲目性，引导聚类的差分演化算法中的引导聚类方法不仅基于输入数据，而且基于
输出适应度值，更特殊的是，当聚类过程中没有考虑到适应度值时，聚类方式会转换成
普通的聚类算法过程，研究中通过数学实例证明了引导聚类算法的优势，在国际标准函
数上的仿真实验表明，引导聚类的差分演化算法在优化性能和收敛速度上优于基于聚类
的差分演化算法。