融合随机因子的协方差自适应进化策略

摘要

协方差自适应进化策略(covariance matrix adaptation-evolution strategy,CMA-ES)作为一种并行搜索算法,可以很好地处理病态条件下高维复杂问题,针对求解过程中存在着局部搜索能力弱、易于陷入局部最优、收敛速度不够快等问题,提出了一种融合于随机因子的协方差自适应进化策略(random-factor CMA-ES,RFCMA-ES),在更新步长方向上引入第三方随机项,更好地保持协方差沿梯度下降的速度,加强了算法的搜索能力,克服了传统迭代公式中根据种群寻优和个体解更新过程中易陷入局部最优的现象.使用改进算法在6个多维多峰测试函数上进行200次重复实验寻优,结果表明:RFCMA-ES的全局寻优能力更强,收敛速度较原始算法平均提高了36.256%,且在寻优过程中也具有更强的稳定性.