采用差分进化算法对极限学习机进行优化选择
首先提出一种基于混沌映射的差分进化算法, 通过引入混沌映射的概念, 在群体初始化和子代重构两个方 面对经典差分进化算法进行改进, 提高其寻优精度及稳定性, 并通过对几个典型的Benchmark 函数进
介绍了原煤可选性曲线的常用绘制方法。尝试了新的曲线拟合方法,即运用差分进化算法,对模型函数的参数寻优,当拟合误差最小时,得到模型参数值。根据拟合好的模型函数,编写MATLAB程序绘制可选性曲线。结果表
差分进化算法(DE算法)的主要特性是通过个体间的差异实现个体变异。变异向量由随机选取的个体向量与另外两个随机选取的个体间的差向量求和得到。相比于经典的变异算子,更加贴近个体重组的变异算子的差分是DE算
提出了一种用于全局优化的混合差分进化算法。 在新算法中,混沌系统的随机性被用来在搜索空间中尽可能多地散布个体,模式搜索方法被用来加速局部开发,而DE算子被用来跳到一个更好的点。 证明了全局收敛。 详细
提出一种基于群体适应度方差自适应二次变异的差分进化算法.该算法在运行过程中根据群体适应度方差的大小,增加一种新的变异算子对最优个体和部分其他个体同时进行变异操作, 以提高种群多样性, 增强差分进化算法
<html dir="ltr"><head><title></title&
以优化SVR算法的参数c和g为例,对DE(差分进化)算法MATLAB源码进行了详细中文注解。是很好的学习材料。
差分进化,粒子群,演化算法对比分析
差分进化算法(Differential Evolution Algorithm,DE)是一种高效的全局优化算法。它也是基于群体的启发式搜索算法,群中的每个个体对应一个解向量。差分进化算法的进化流程则与
