排序方式： 共有2条查询结果，搜索用时 0 毫秒
1
1.
针对"基于反射变异策略的自适应差分进化算法"仍易陷入局部最优的问题,通过引入一个基本的变异策略提出一种基于混合变异策略(DE/current-to-rand/1)的差分进化算法。根据各变异策略生成成功子代的比率使用轮盘赌选择为各个个体选择合适的变异策略,以改善算法的全局收敛能力。将提出的算法结合有限元应力场应用于两个经典算例的边坡临界滑动面搜索及安全系数求解,与其他极限平衡法进行了对比,并使用其中一个算例作为计算模型与其他优化算法进行了收敛性能比较。统计结果验证了改进算法的性能更稳定且收敛速度较快,也验证了该算法结合有限元应力场求解边坡问题的有效性。 相似文献
2.
针对差分进化算法易于陷入早熟收敛和局部搜索较慢的问题,提出了一种类似Nelder-Mead方法中的反射操作的变异策略,称为反射变异策略。不同于其他基本的差分策略,提出的变异策略具有明确的差分方向,具有更快的局部收敛速度。为了避免因差分方向的贪婪性而导致算法早熟的可能性增加,反射变异策略使用4个随机的个体完成一次变异操作。将基于反射变异策略的子代生成策略和自适应参数方法组合形成了基于反射变异策略的自适应差分进化算法（RMADE）。使用12个函数测试了RMADE的性能并与其他算法进行比较,结果表明RMADE具有较快的收敛速度和较好的全局探测能力,进而体现了反射变异策略的价值。 相似文献
1
