论文部分内容阅读
针对传统差分进化算法计算代价、可靠性及收敛速度的问题,提出一种基于抽象凸估计选择策略的差分进化算法(DEUS).首先,通过提取新个体的邻近个体建立局部抽象凸下界松弛模型;然后,利用下界松弛模型估计目标函数值来指导种群更新,同时利用下界估计区域极值点快速枚举算法系统排除部分无效区域;最后,借助线性拟凸包络的广义下降方向有效地实现局部增强.12个标准测试函数的实验结果表明,所提算法计算代价、可靠性及收敛速度均优于DE及DERL,DELB,Sa DE等改进算法.