具有适应度景观的自我反馈策略差异进化

差分进化(DE)已广泛应用于复杂的全局优化问题。 已经设计了不同的搜索策略以在健身环境中找到最佳条件。 但是,这些策略都无法在所有可能的健身环境中很好地发挥作用。 由于与复杂的全局优化问题相关的适应度景观通常由各种局部景观组成,因此每种搜索策略在特定类型的适应度景观中都是有效的。 合理的方法是组合几种搜索策略,并整合它们的优势来解决全局优化问题。 基于单目标优化问题的适应度景观分析,提出了一种新的自反馈策略差分进化算法。 在SFSDE算法中,通过分析适应度-距离相关性的适应度景观特征,使用自反馈操作迭代选择和评估新SFSDE算法的变异算子。最后结合提出的SFSDE算法对土壤水质进行优化,实验结果表明,所提出的SFSDE算法降低了参数估计的难度,提高了搜索效率,收敛性和求解精度。简化了求解过程,并提供了一种新颖的方法来计算Van Genuchten方程的参数。 另外,该算法具有较高的精度和快速的收敛性,可广泛应用于此类非线性优化模型的参数估计中。