基于差分进化算法的改进

　　针对差分进化（DE）算法存在的寻优精度低、收敛速度慢等问题，借鉴混沌分散策略、反向学习策略（OBL）以及跨种群并行机制，提出一种基于反向学习的跨种群差分进化算法（OLCPDE）。采用混沌分散策略进行种群初始化，将种群划分为精英种群和普通种群，对两个子种群分别采用标准的差分进化策略和基于反向学习的差分进化策略；同时，为进一步提高算法对单峰函数的求解精度和稳定性，采用了一种跨种群的差分进化策略，运用三种策略对于种群进行操作，达到共同进化的目的。实验独立运行30次，OLCPDE在12个标准的测试函数中，有11个函数都能稳定地收敛到全局最优解，优于对比算法。实验结果表明，OLCPDE收敛精度高，能有效避免陷入局部最优点。