基于状态估计反馈的策略自适应差分进化算法.docx

差分进化（Differential Evolution, DE）是一种全局优化算法，其核心在于利用个体间的差异来指导种群在解空间中的搜索。DE算法以其简单的原理、少量的控制参数和易实现性，尤其适用于解决非线性、强约束、多目标、多模态的复杂优化问题。在实际应用中，DE已被广泛应用在诸如工业工程、生产管理、电力系统、生物信息、化工和传感器网络等领域。 DE算法的搜索能力依赖于差分向量对候选个体的扰动。在算法初期，由于个体间差异较大，DE表现出较好的全局探索能力。但随着迭代的进行，种群多样性逐渐减少，导致局部增强能力减弱。因此，传统的DE算法往往在后期难以保持良好的全局搜索性能。为解决这一问题，学者们提出了分阶段的DE改进算法，通过在搜索过程中设置不同的策略和参数，适应搜索的不同阶段。 例如，Cheng等人提出的Two-phase DE（TDE）将搜索分为三个阶段，以保持种群多样性并平衡收敛速度。Liu等人则采用两阶段优化机制的TSDE，通过改变变异策略来增强探测能力和提高收敛性能。Tang等人提出的IDE利用个体成功率区分阶段，以适应性地调整变异策略。Yu等人提出的ADE通过适应值和欧氏距离判断优化状态，分阶段调整参数。张贵军等人提出的DNTDE依据退火曲线划分阶段，以增强种群多样性和实现局部增强。 本文提出的状态估计反馈的策略自适应差分进化算法（SEFDE），引入了闭环控制思想，通过状态评价因子动态调整个体所处的阶段，实现全局探测和局部增强的平衡。SEFDE算法分为前向通路和反馈通路：前向通路执行变异、交叉和选择操作；反馈通路则根据子代种群的状态评价因子来调整阶段划分，并自适应切换变异策略。 具体实施步骤包括： 1. 进化状态的估计：选取部分个体，构建进化状态估计模型，获取个体的下界估计信息，设计状态评价因子以反映种群的进化状态。 2. 阶段的动态划分：根据状态评价因子和进化状态信息，动态地划分种群个体所处的阶段，采用对应的全局探测或局部增强变异策略。 SEFDE算法的目标是克服传统DE算法在后期可能出现的局部增强不足的问题，通过状态反馈实现对搜索过程的动态控制，以提高算法的收敛速度和优化效果。这种基于状态估计反馈的策略可以更好地适应不断变化的搜索环境，为DE算法的应用提供了新的思路。