外文翻譯--差分演化的最新進展：一項調(diào)查和實驗分析(中文）-全文預覽
【正文】 al. (2020, 2020)中給出了一個基于差分演化算法來實現(xiàn)工業(yè)應用中數(shù)字濾波器的設計。在 Chang and Chang (2020), Su and Lee (2020),和 Chiou et al. (2020)給出了差分演化在電力電子中的應用。因此，差分演化是很容易實現(xiàn)編碼和對包含有限數(shù)量的參數(shù)進行調(diào)整。然而在這篇文章中我們專注于本策略，因為它是最常用的和最有前景 的。這個策略包含以下內(nèi)容： 對于給定的 F,參數(shù) K等于 （ F+1）。 其中 K 是組合系數(shù)， K應從 [0,1]均勻分布和 F_ = K 突變規(guī)則的變本也在隨后的論文中被提出。根據(jù)差分演化邏輯 ,一個臨時的后代 xoff是由以下公式產(chǎn)生的： 其中 F ∈ [0 , 1]，是一個比例因子來控制向量 (xr ? xs )的長度 , 因此決定距 xi點的距離。 2 標準差分演化 為了闡明用在這一章中的符號 ,我們指的是最小化問題的目標函數(shù) f(x)，其中 x是一個D維空間中 n的一個向量。 – 基于相反思路的差分演化 , – 全局 和 局部搜索的差分演化 , – 自適應協(xié)調(diào)多個突變規(guī)則。在我們 看來，有代表性的論文是差分演化發(fā)展的基石。 2. 修改的演化差分結構。為了對它們進行分 析并得出一些有關未來趨勢的結論，本文闡述了現(xiàn)代修改差分演化的計劃。此外 ,差分演化使用了一個一對一的產(chǎn)卵邏輯在后代優(yōu)于它的相應的父時允許更換一個個體。 關鍵詞：差分演化，調(diào)查，比較分析，自適應，持續(xù)優(yōu)化。這種隨機化不應該過度 ,因為它會妨礙搜索。首先 ,為了改進差分演化的性能，包括一些額外的和替代搜索功能的修改是必要的。為了比較他們的性能 ,這八個算法已被用來測試一組基準問題。本文介紹了差分演化最近的進展概況。中文 5340字 差分演化的最新進展：一項調(diào)查和實驗分析 摘要 差分演化是一種簡單而有效的優(yōu)化 ,尤其是持續(xù)優(yōu)化。這一事實啟發(fā)許多計算機科學家通過提出對原始算法的修改來改善差分演化。對于每個宏組 ,四個算法代表差分演化中最先進的部分，已經(jīng)被選 來深入描述它們的工作原理。盡管在這兩個宏組中尚不清楚是否有一個相對于其他算法更具優(yōu)勢的，但還是能得出一些結論。額外的成功方法是通過兩種方式獲得：增大開發(fā)壓力和引入一些隨機化。最近發(fā)表的論文中提出的全局和局部搜索和自適應控制參數(shù)方案似乎是最有前途的修改。差分演化，不像其他的進化算法，它通過一個規(guī)模不同的兩個隨機選擇的種群向量來產(chǎn)生擾動的解決方案，而不是重組方案所規(guī)定的條件下的概率方案。 雖然差分演化有很大的潛力，很明顯為提高其性能需要科學界對原結構進行必要的修改。屬于這類的算法可以被清楚地分解為差分演化框架和額外的組件。 本文在第二三節(jié)對差分演化進行了研究 , 在四五節(jié)進行了深入分析。 – 簡單交叉局部搜索的差分演化 第五節(jié)對以下類別的算法做出了具體闡述： – 自適應控制參數(shù)。最后第七節(jié)給出了這 項研究的結論。在每一代 ,對于每個個體的 SPOP， xi,三個相互不同的個體 ,xs 和 xt xr 是從群體中提取的偽隨機序列。 Eq. (1)中所示的突變方案也被認為是差分演化。在這里值得提及在 Lampinen (1999)中給出的旋轉不變
畢業(yè)設計相關推薦
鄂ICP備17016276號-1