分类号： UDC ：
密级： 编号：
工学博士学位论文
差分进化算法的改进及应用研究
博士研究生 ：肖
婧 教授
指 导 教 师 ：毕晓君
学科、专业 ：信号与信息处理
哈尔滨工程大学
2011 年 9 月
分类号： UDC ：
密级： 编号：
工学博士学位论文
差分进化算法的改进及应用研究
博 士 研 究 生 ：肖
婧
教授
哈尔滨工程大学 学位论文授权使用声明
本人完全了解学校保护知识产权的有关规定， 即研究生在校攻读学位期间论文工作 的知识产权属于哈尔滨工程大学。 哈尔滨工程大学有权保留并向国家有关部门或机构送 交论文的复印件。 本人允许哈尔滨工程大学将论文的部分或全部内容编入有关数据库进 行检索，可采用影印、缩印或扫描等复制手段保存和汇编本学位论文，可以公布论文的 全部内容。 同时本人保证毕业后结合学位论文研究课题再撰写的论文一律注明作者第一 署名单位为哈尔滨工程大学。涉密学位论文待解密后适用本声明。 本论文（□在授予学位后即可 □在授予学位12个月后 □解密后）由哈尔滨工程
关键词：差分进化算法；高维多峰单目标优化；多目标优化；PET 医学图像；多边多议题 协商
哈尔滨工程大学博士学位论文
ABSTRACT
Differential Evolution (DE) is one of the current best evolutionary algorithms, which has become the research hotspot in many fields such as evolutionary computing and intelligent optimization. At present, DE has successfully been applied to diverse domains of science and engineering, such as signal processing, neural network optimization, pattern recognition, machine intelligence, chemical engineering and medical science. However, almost all of the evolutionary algorithms, including DE, still suffer from the problems of premature convergence, slow convergence rate and difficult parameter setting, especially in optimizing high-dimensional multi-modal complex optimization problems. In addition, the standard DE algorithm can't be used directly to solve the multi-objective optimization problems (MOPs) and this shortcoming limits the scope of application of DE to some extent. According to the insufficiency of DE, the structure and key steps of the algorithm, including mutation, crossover and parameter setting, are deeply investigated in this paper and based on which several improvement measures of DE are proposed to improve its optimal performance. In addition, the improved DE algorithm proposed in this paper is applied successfully to solve several frontier problems, such as the focus contour extraction of human brain PET images and the multi-lateral multi-issue negotiation in E-commerce under cooperative environment. Firstly, in order to improve the convergence performance of DE in solving high-dimensional multi-modal complex optimization problems, a new modified DE algorithm based on a classification mechanism, called p-ADE, is presented. Concrete improvement measures in p-ADE include: 1 、A new DE mutation strategy is designed, in which the global best solution and the best previous solution of each individual are utilized to guide the search direction synchronously, avoiding the search blindness brought by the random selection of individuals in difference vector; 2 、 Classification mechanism is introduced to control the extent of variation of each individual with different fitness characteristic and thus to balance DE's exploration and exploitation abilities; 3 、 New parameter setting strategy is designed, in which control parameters are adjusted according to the fitness characteristic of each individual as well as the evolutionary generations. Experimental results on 22 benchmark functions show that p-ADE can effectively improve the global search ability of DE and
指 导 教 师 ：毕晓君 学 位 级 别 ：工学博士
学 科 、 专 业 ：信号与信息处理 所 在 单 位 ：通信与信息工程学院 论文提交日期 ：2011 年 9 月 论文答辩日期 ：2011 年 11 月 学位授予单位 ：哈尔滨工程大学
Classified Index: U.D.C:
A Dissertation for the Degree of D.Eng
差分进化算法的改进及应用研究
关性能指标超过国内外多个先进多目标进化算法。 再次，针对目前人脑 PET 医学图像的病灶目标边缘检测所存在的对初始轮廓敏感、 难以收敛到目标凹型区域等问题，提出了一种结合 p-ADE 算法的 GVF Snake 模型，在 提高检测精度解决实际问题的同时扩展 DE 算法的应用领域。新检测方法中首先利用 GVF Snake 模型进行收敛得到病灶目标的粗轮廓， 然后为防止 GVF Snake 模型陷入局部 最优，进一步利用 p-ADE 算法的全局优化特性以及图像信息对该粗轮廓进行优化，最 终得到精确的病灶目标边缘轮廓线。在 30 幅真实人脑 PET 图像上的实验结果显示，新 方法能有效提高 PET 图像的检测精度并缩短时耗，检测效果优于现有多种检测方法。 最后，研究了 p-ADE 算法在合作环境下的电子商务多边多议题协商中的应用。针 对现有基于遗传(Genetic Algorithm, GA)等进化算法的多 Agent 协商方法计算效率低、 需 要具有协商各方完全私有信息等缺点，提出一种基于 p-ADE 算法的多 Agent 自动协商 模型。新模型设计了基于仲裁 Agent 的多 Agent 协商协议及协商策略，避免了对协商各 方完全私有信息的需求，更符合实际协商环境。p-ADE 算法用于生成具有更高适应性的 可行协商提议 Offer，促进协商各方达成一致，加速协商空间中 Pareto 最优协商解的搜 索速度。 实验部分中将新协商模型与目前解决多边多议题协商问题效果最好的混合遗传 算法 HGA(Hybrid Genetic Algorithm, HGA)，在合作环境下的实际多边多议题协商问题 中进行性能对比，证明新协商模型能有效地减少协商次数，提高协商效率和稳定性， 为 多边多议题协商问题的求解提供了新思路。
哈尔滨工程大学 学位论文原创性声明
本人郑重声明：本论文的所有工作，是在导师的指导下，由作者本人独立完成的。 有关观点、方法、数据和文献的引用已在文中指出，并与参考文献相对应。除文中已注 明引用的内容外，本论文不包含任何其他个人或集体已经公开发表的作品成果。对本文 的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声 明的法律结果由本人承担。 作者（签字）： 日期： 年 月 日
大学送交有关部门进行保存、汇编等。 作者（签字）： 日期： 年 月 日 导师（签字）： 年 月 日
哈尔滨工程大学博士学位论文摘要差分进化(Differential Evolution, DE)是目前最优秀的进化优化算法之一，成为进化 计算、智能优化技术方面的研究热点，并已广泛应用于数字信号处理、神经网络优化、 模式识别、机器智能、化工、医学等诸多实际工程领域，取得了良好的应用效果。然而， DE 和其他进化算法一样，在对复杂度较高的高维多峰函数进行优化时仍不可避免地存 在早熟收敛、后期收敛速度慢、控制参数难以设定等问题。此外 DE 算法本身不可直接 用于求解多目标优化问题，在一定程度上限制了算法的应用范围。 本课题针对 DE 算法存在的不足，对算法的结构和关键步骤，如变异操作、交叉操 作以及控制参数自适应调整等进行了深入研究和大量实验仿真工作， 提出了若干种改进 方法，大幅度提升了算法在高维多峰复杂单目标优化上的性能，并使其在多目标优化上 取得了良好的效果。此外，从应用角度出发，将改进后的 DE 算法应用于人脑 PET 医学 图像的病灶目标边缘检测以及合作环境下的电子商务多边多议题协商等前沿问题的求 解中，均取得了良好的效果。 首先，为提高 DE 算法在高维多峰复杂单目标优化问题上的求解性能，加快算法收 敛速度、防止陷入局部最优并提高稳定性，提出了基于分类思想的新变异策略，并设计 了新的参数自适应调整机制，从而构成一种性能优异的改进算法 p-ADE。具体改进措施 包括：1、设计新的 DE 变异策略。同时利用全局最优解以及个体历史最优解提供搜索 方向性信息，避免差分向量中个体随机选择带来的搜索盲目性； 2、引入分类策略。有 针对性地调整不同特性个体的进化程度，平衡算法的“开采”与“勘探”能力；3、设 计新的参数自适应策略。根据个体优劣以及进化代数设计每个个体的参数自适应方法。 在 22 个标准测试函数上的实验结果显示，p-ADE 算法能有效提高全局最优解精度，加 快算法收敛速度并增强 DE 算法的鲁棒性，其相关性能指标优于国内外多种先进算法。 其次， 为提高现有多目标优化算法的求解性能， 在以 NSGA-II 为代表的精英多目标 进化算法模型基础上，对 DE 算法本身和精英多目标优化模型进行了综合改进，提出了 一种基于精英策略的改进多目标自适应差分进化算法 SDEMO。主要改进措施包括：1、 设计新的精英多目标进化算法模型中的选择策略； 2、设计新的精英多目标进化算法模 型中的个体密度估计方法；3、根据多目标的特点设计新的 DE 算法变异策略；4、设计 新的 DE 算法中的参数自适应策略。标准测试函数上的实验结果显示， SDEMO 能够稳 定有效地找到 Pareto 最优解集并同时保证良好分布性， 尤其在复杂多目标优化问题中相