目录

1.摘要
差分进化算法(DE)是一种高效的数值优化元启发式算法,但存在参数设置敏感性和过早收敛等问题。本文提出了一种局部和全局参数自适应机制(LGP)机制和双重历史记忆策略,根据父子向量对的欧几里得距离动态分类控制参数,将其划分为局部或全局历史记录,并在每代更新相应的历史记忆。其次,引入了一种参数自适应策略,通过从适当的历史记忆中选择元素来生成新的控制参数,以平衡开发与探索。
2.具有局部和全局参数自适应差分进化算法
双重历史记忆策略
在每一代中,算法根据父子个体之间的欧几里得距离动态更新局部和全局历史记忆,并根据适应性选择合适的控制参数进行存储。通过引入距离阈值,算法能够增强局部或全局搜索能力,平衡开发与探索,从而提升优化效果。
参数自适应策略
参数自适应策略根据父代和变异向量之间的维度交换情况,动态调整局部和全局历史记忆的使用。当 C R C_R CR 值较小时,算法倾向于选择局部历史记忆以增强局部开发能力;而当 C R C_R CR 值较大时,则选择全局历史记忆以提升全局探索能力。通过引入一个随机阈值 t 1 t_1 t1,该策略能够自动选择最合适的历史记忆,平衡局部搜索与全局搜索,从而避免算法陷入局部最优。
LGP机制
通过维护局部和全局历史记忆来优化差分进化(DE)算法的控制参数。在每一代中,参数自适应策略根据历史记忆选择适当的 F F F和 C R CR CR值,并计算欧几里得距离来决定是否更新局部或全局历史记录。该过程包括变异、交叉、适应性选择和历史记忆更新,直至满足终止标准。

3.结果展示


4.参考文献
1\] Jin X L, Zhang S X, Zheng L M, et al. Differential evolution algorithm with local and global parameter adaptation\[J\]. Swarm and Evolutionary Computation, 2025, 98: 102125. ### 5.代码获取 xx ### 6.算法辅导·应用定制·读者交流 xx