小型微型计算机系统2009年月第期JournalofChineseComputerSystemsVol.30No.2009分子动理论的新型反向差分演化算法刘罡1，李元香11（武汉大学软件工程国家重点实验室湖北武汉430072）(6书宋)E-mail：lg0061408@126.com摘要：提出了一种新颖的分子动理论的反向差分演化算法。该算法把种群类比为分子系统。本文中引入了分子作用力的概念,同时类比于物理学中质心的概念本文定义了群质心。该分子作用合力控制粒子运动的方向。当粒子与质心间的距离比较近时，粒子远离质心，而在粒子离质心距离比较远时，粒子向质心方向飞行。同时应用了反向学习操作促使演化生成过程的跃变,从而使算法具有较高的收敛速度和较好的种群多样性。本文算法与其他算法进行比较.实验结果证实了新算法的高效性、通用性和稳健性.关键词：差分演化；反向学习；分子动理论；多样性；群质心；分子力中图分类号：TP文献标识码：A文章编号：1000-1220（2009）02--收稿日期：2010-7-30作者简介：刘罡，男，1982年生，博士研究生，研究方向为智能计算，演化硬件；李元香，男，1962年生，博士生导师，教授，研究方向为；智能计算，演化硬件，并行计算第25卷第11期小型微型计算机系统Vol.25No.112004年11月MINI－MICROSYSTEMSNov.2004NovelOppositionalDifferentialEvolutionAlgorithmBasedonTheoryofMolecularMotionLIUGuang1，LIYuan-xiang11（StateKeyLab.ofSoftwareEngineering,WuhanUniversity,Wuhan430072,China）Abstract:AnovelOppositionalDifferentialEvolutionAlgorithmbasedontheoryofmolecularmotionisproposed,andthepopulationisregardedasmoleculesystem.ThemolecularforceisintroducedintheMMT-ODEasintheoryofmolecularmotion.Thecentroidofthepopulationisdefinedasinphysics.Thisforcecontrolsthedirectionofparticlemotion.Whenthedistanceisnear,themolecularforcescontroltheparticleawayfromthecentroid.Whenthedistanceisfar,themolecularforcescontroltheparticletoflytothecentroid.Andtheapplicationoftheopposition-basedlearning(OBL)operationtopromotetheprocessofevolutiongenerationjump.HenceMMT-ODEisconducivetohighconvergenceandgoodpopulationdiversity.ExperimentsareusedtocomparetheMMT-ODEwithotheralgorithms.TheresultsshowthatMMT-ODEkeepsthemostrapidconvergencerateofalltechniquesandobtainstheglobaloptimaformostbenchmarkproblems.Keywords:differentialevolution;opposition-basedlearning;theoryofmolecularmotion;diversity;thecentroid;molecularforce收稿日期：2005--基金项目：基金中文完整名称（基金项目号）资助作者简介：作者一，性别，某年生，籍贯（具体到市、县或地区），最高学位，目前学历，职称等，研究方向为；作者二，性别，某年生，籍贯（具体到市、县或地区），最高学位，目前学历，职称等，研究方向为；作者三，性别，某年生，籍贯（具体到市、县或地区），最高学位，目前学历，职称等，研究方向为.第25卷第11期小型微型计算机系统Vol.25No.112004年11月MINI－MICROSYSTEMSNov.20041引言1.1作者单位差分演化算法(DifferentialEvolution,简称DE)是一种基于群体差异的演化计算技术,它最初由RainerStorn和Ken-nethPrice[1,2]为求解有关切比雪夫多项式的问题于1995年提出.其基本思想是采用基于差分的简单变异操作和一对一的竞争生存策略来实现种群的全局搜索.DE发展至今，己经有了很多不同的版本，最有影响力的有三个[2,3]。由于在解决各种复杂优化问题时所展现的优越性能,DE已经在许多领域得到了广泛地应用,譬如人工神经元网络、机器人、信号处理、生物信息、模糊系统控制等方面。很多研究已表明DE在诸多领域的有效性及优越性。然而，传统的DE在表现出收敛速度快，计算复杂度相对较小的优点的同时，在优化时也会出现早熟现象。DE和演化算法（EA），粒子群算法（PSO）等其他元启发式优化算法一样都存在着早熟收敛的问题，早熟收敛现象极大地影响了算法的稳定性。鉴于这些元启发式算法本身都是计算机学科和其他学科交叉研究的成果，所以为了避免算法...