基于反向学习的自适应差分进化算法

　　为解决差分进化（ DE）算法过早收敛与搜索能力低的问题，讨论对控制参数的动态调整，提出一种基于反向学习的自适应差分进化算法。该算法通过反向精英学习机制来增强种群的局部搜索能力，获取精确度更高的最优个体；同时，采用高斯分布随机性提高单个个体的开发能力，通过扩充种群的多样性，避免算法过早收敛，整体上平衡全局搜索与局部寻优的能力。采用CEC 2014中的6个测试函数进行仿真实验，并与其他差分进化算法进行对比，实验结果表明所提算法在收敛速度、收敛精度及可靠性上表现更优。