(博士论文)多目标动态差分进化算法及其应用研究

差分进化算法(Differential Evolution, DE)是一种基于群体差异的启发式随机搜索算法,该算法是由R.Storn和K.Price为求解Chebyshev多项式而提出的。DE算法也属

用MATLAB程序实现差分进化算法，程序包含5个文件，分别为主程序、初始化种群、适应度函数（选择）、交叉、变异。程序示例为设计一阶控制器使离散传递函数(z-1)(z+0.3)/z(z-2)(z-0.5

清洁能源,例如风能,最近在发电中起着重要作用。 在本文中,多目标差分进化(MODE)的修改版本用于通过将风力发电厂纳入系统来解决扩展的动态经济排放调度(DEED)问题。 DEED是一个非线性且高度受限

针对常规粒子滤波在惯性/重力组合导航中的粒子退化和样本贫化问题,将差分进化引入到粒子滤波的重采样过程,通过群体差异进行全局搜索实现粒子分布优化,使粒子集提高对系统状态变量后验概率的逼近程度。算法应用于

论文研究-混合递进多目标进化算法及其在flow shop 排序中的应用.pdf,

针对单种群差分进化算法易出现早熟收敛的问题, 提出了一种改进的动态多种群并行差分进化算法。该算法首先利用佳点集方法产生初始种群以增强算法的稳定性和全局搜索能力。基于个体的适应度将种群分为三个子种群,

在该实例中，使用 MATLAB 差分进化算法求解了具有约束的目标函数极值问题。我们提供了详细的代码和注释，帮助您理解该算法的工作原理。该代码可以轻松修改以求解其他优化问题。

为解决三维复杂环境下无人机动态航迹规划问题,提出一种基于改进约束差分进化算法的动态航迹规划方法,以满足对实时性及动态搜索精度的要求.首先,根据无人机航迹规划特点将其描述为包括飞行约束及威胁约束在内的约

使用动态的差分进化算法训练人工神经网络逼近函数。有详细的代码解释。适合学习者

多目标进化算法的研究主要集中于搜寻全局最优解。在现实中，环境不是一成不变的，需找到抗干扰能力强的鲁棒解。多目标鲁棒最优化问题的研究较少，主要归结于环境的不确定性和缺乏合适的测试函数。针对不同特性测试函