外文翻译--差分演化的最新进展：一项调查和实验分析(中文(编辑修改稿)

外文翻译--差分演化的最新进展：一项调查和实验分析(中文(编辑修改稿)内容摘要：

的应用。 在 Chang and Chang (2020), Su and Lee (2020),和 Chiou et al. (2020)给出了差分演化在电力电子中的应用。 在 Wang and Jang (2020) 中给出了差分演化在化学工程中的应用。 在 Liu and Lampinen(2020) 中给出了 一个差分演化变体用于训练径向基函数网络。 在 Storn (2020),Karaboga 和 Cetinkaya (2020, 2020) 中用差分演化设计了一个滤波器。 在 irronen et al. (2020, 2020)中给出了一个基于差分演化算法来实现工业应用中数字滤波器的设计。 在 Koh (2020)中给出了一个应用于公路网的容量优化的应用。 在 Plagianakos (2020)中给出了差分演化应用的综 述。 从算法都角度看，在 Feoktistov (2020)中强调了差分演化成功的原因：由于这个算法结构包含了隐式自适应。 具体来说，因为对于每个候选方案 ,搜索规则取决于属于其他群体的解决方案（如 xt， xr和 xs）。 检测 新的有前途的后代的解决方案的能力取决于决策空间中溶液中的电流分布。 在优化过程中的早期阶段，解决方案往往是散布在决策空间。 对于一个给定的尺度因子的值，这意味着这种突变似乎由一个大的探索空间产生新的解决方法。 step size (如果 xr 和 xs是相差很大的解决方案， F(xr−xs)是一个向量 ,其特征是有一个模数。 在优化过程中 ,解决方案的个体往往集中在特定的部分决策空间。 因此，突变步长在逐步减少，搜索在解的邻域进行。 换句话说 ,由于它的结构 ,一个差分演化方案在开始进化时是有高度利用价值的的，随后在优化中变得更加有利用价值。 虽然这种机制似乎乍一看非常有效 ,然而它隐藏了一个限制。 如果由于一些原因在算法产生后代解决方案时没有成功 ,即没有超越相应的父 ,搜索是重复类似的步长值，可能会失败 ,陷入一个无奈的停滞状态。 停滞发生在一个以群体为基础的算法不收敛到一个值而且群体的多样性很大。 在差分演化 的情况下，停滞发生在算法无法改善任何解决延长代的方案。 换句话说，差分演化的主要缺点是，该方案在优化过程中的每个阶段存在有限数量的探索性举措 ,如果这些措施并不足以产生新的有前景的解决方案 ,搜索会被严重破坏。 在 Zaharie (2020)中给出了一个收敛属性的差分演化的理论分析。 这项研究允许定义一个关键价值的比例因子 ,即给定值的 Spop和 CR,比例因子 F不应该小于 : 很明显 ,成功应用一个差分演化取决于上面提到的三个控制参数的设置，种群规模的量spop与可能的运动向量有关。 在所有可能的行动所带来 的群体 ,一些动作在寻找最佳方案时是有益的 ,而另一些则是无效的 ,结果导致在计算工作量上的浪费。 因此 ,种群规模过小也可以包含有限数量的举动 ,而一个太大的种群规模可能包含大量的无效的动作有可能误导搜索。 在某种程度上，差分演化的群体规模类似于其他进化算法。 如果太小，可能会导致过早收敛，如果太大，它可能会导致停滞。 一个好的价值可以通过考虑与其他进化算法常用问题类似的东西的维数来找到。 在 Storn and Price (1997)中给出了指导。