导　　师： 李康顺

授予学位： 硕士

作　　者： (）;

机构地区： 华南农业大学

摘　　要： 当前智能计算领域中，优化问题一直都是众多学者研究和关注的课题。但是随着社会的发展，优化问题也变得越来越复杂，它们或多或少具备着非连续性、非线性、非可微性、多峰性等特点。这也导致了很多传统的优化算法难以解决这一类的问题。差分演化算法作为计算机学科和生物学科相结合的启发式算法，凭借着收敛速度快、控制参数少等优势在解决优化问题上鹤立鸡群。由于差分演化算法原理简单、性能卓越，很快吸引了大批学者对它进行研究和改进，并成功将其应用在了多个领域。然而传统的差分演化算法也存在着一定的缺陷，主要有：1）算法后期的收敛速度变慢，缺乏局部搜索能力，导致不能在有限迭代次数的情况下收敛于问题最优解;2）设置不同的缩放因子F和杂交概率CR对算法的影响大。当F值较小或者CR值接近1时，算法的收敛速度快，但是容易陷入局部最优，而当F值较大或者CR值接近0时，虽然，种群的多样性得到了保证，提高了跳出局部最优的概率，但会降低算法的收敛速度;3）差分变异策略种类繁多，每种策略的特性都不一样，因此，根据不同的优化问题选择合适的差分变异策略存在一定的困难性。　　针对差分演化算法在优化问题上的不足之处，本论文提出了一种新的基于适应度景观的自反馈差分演化算法（Self-FeedbackFitness Landscape Differential Evolution，FLDE）。适应度景观是描述解与适应值之间的关系。当进化算法求解复杂的优化问题时，对应的适应度景观通常非常复杂，一般是由不同的局部适应度景观所构成。而不同的局部适应度景观所使用的变异、杂交策略也应当有所不同。本论文提出的FLDE是通过提取每一代种群的局部适应度景观特征来选取合适的变异、杂交策略，从而提高算法在不同问题上的寻优能力

关 键 词： 自反馈 差分演化算法 适应度景观 种群多样性 土壤水分方程

领　　域： [] []