基于反向学习和可行性准则交叉的约束差分进化算法

摘要

针对差分进化算法在处理约束优化问题时存在的问题,提出一种基于反向学习和可行性准则交叉的约束差分进化算法。利用反向学习提高初始种群和变异交叉后个体的多样性,保证算法对全域搜索;对约束条件处理后的目标个体与实验个体设置可行性准则,筛选出优秀个体再次进行交叉操作,调整算法在优化过程中的寻优方向。对13个标准测试函数进行实验仿真,并与其他约束算法进行比较,结果表明该算法具有更优秀的收敛速度和稳定性。对蜗轮齿圈和焊接梁问题进行优化,验证改进算法在实际工程中应用的有效性。