论文部分内容阅读
差分进化算法(DE,Differential Evolution)是进化优化算法中最优秀的算法之一,具有自搜索、自适应、并行性等特点,已成功用于解决各种工程和科学问题。差分进化算法是一种基于种群的并行迭代优化算法,对比其他进化算法有着较好的搜索能力和收敛性,其性能主要由算法的控制参数决定。标准差分进化算法在求解复杂优化问题时,存在收敛速度慢,容易陷入局部最优的不足,因此对差分进化算法的改进优化还存在很大的空间。随着数据的爆炸式增长,单机运行的差分进化算法在高维运算上已经不能满足实际的计算需求,使得具有分布式架构的云计算平台成了较为理想的选择。本文研究了差分进化算法参数选择问题,提出新的动态引导参数选择算法,并将算法在云平台并行实现,优化了算法的性能,提高了算法处理高维数据的能力。具体工作如下:(1)针对差分进化算法收敛速度慢,容易陷入局部最优的问题,提出一种新的动态引导参数选择差分进化算法(DGPSDE,Dynamic Guide Parameter Selection Differential Evolution),提高了算法的收敛速度和全局搜索能力。主要思想是:利用种群的历史最优值信息引导下一代参数的选择,首先建立两个有序资源池,用于保存由柯西分布生成的变异因子F和交叉因子CR的值,然后根据历史最优值判断当前进化过程的收敛情况,利用不同参数对进化过程的影响,动态指导下一代进化参数的分配,加快算法的收敛速度,增强算法的全局搜索能力。(2)针对差分进化算法在处理高维度数据时运行速度慢的问题,借助云平台的计算优势,采用并行算法,提高算法的运行速度。具体做法是:利用云平台分布式计算,使用Map任务将算法中耗时最多、计算复杂的评价函数过程并行运行,将并行计算的输出结果汇总进入选择阶段,当前代进化结束后开始下一次迭代,经过反复迭代搜索问题的最优解。并行过程缩短了每代进化的时间,加快了算法的运行速度。