主題
Search

差分進化

差分進化是一種隨機並行直接搜尋進化策略 最佳化方法，它相當快速且相當穩健。差分進化在 Wolfram 語言 中實現為NMinimize[f, vars,Method -> "DifferentialEvolution"] 和NMaximize[f, vars,Method -> "DifferentialEvolution"].

差分進化能夠處理不可微、非線性和多模態目標函式。它已被用於訓練具有實數和約束整數權重的神經網路。

在一個 n-維搜尋空間內的潛在解種群中，固定數量的向量被隨機初始化，然後隨時間演化以探索搜尋空間並定位目標函式的最小值。

在每次迭代（稱為一代）中，新向量透過隨機選擇自當前種群的向量組合（變異）生成。然後，輸出向量與預定的目標向量混合。此操作稱為重組，併產生試驗向量。最後，當且僅當試驗向量導致目標函式值減小時，它才會被下一代接受。最後一個操作稱為選擇。

另請參閱

進化策略, 遺傳演算法, 最大化, 最小化, 最佳化, 最佳化理論

此條目的部分內容由 Vassilis Plagianakos 貢獻

使用 探索

參考文獻

Ilonen, J.; Kamarainen, J. K.; and Lampinen, J. "前饋神經網路的差分進化訓練演算法。" Neurol. Proc. Lett. 17, 93-105, 2003.Plagianakos, V. P. and Vrahatis, M. N. "硬體友好型神經網路的並行進化訓練演算法。" Natural Comp. 1, 307-322, 2002.Price, K. and Storn, R. "差分進化。" Dr. Dobb's J., Issue 264, 18-24 and 78, Apr. 1997.Storn, R. "基於約束自適應和差分進化的系統設計。" IEEE Trans. Evol. Comput. 3, 22-34, 1999.Storn, R. and Price, K. "差分進化：一種用於連續空間全域性最佳化的簡單高效自適應方案。" J. Global Optimization 11, 341-359, 1997.

在 中被引用

差分進化

請按如下方式引用

Plagianakos, Vassilis 和 Weisstein, Eric W. "差分進化。" 來自 —— 資源。 https://mathworld.tw/DifferentialEvolution.html

主題分類