全文总字数：5413字

1. 研究目的与意义及国内外研究现状

近年来，进化计算作为计算智能领域中的新兴学科发展迅速。差分进化算法属于进化算法的新兴分支，是一种基于种群的并行迭代优化算法，其性能主要由变异尺度因子，交叉概率因子和种群规模等控制参数决定。差分进化算法在处理连续域、非凸、不确定性和全局优化问题时具有优势，是一种可靠、准确、快速同时兼具高鲁棒性的全局优化算法，已经成功的应用在多个领域。

与其它进化算法相比，差分进化算法用于求解最优问题时优势比较明显，也存在一些不足，特别是针对高维复杂优化问题其存在收敛速度慢、易于“早熟”和收敛精度低的缺陷。此次实验便是为了提高了算法的收敛速度，跳出局部最优，实现基于精英保留策略和拥挤熵的多目标差分算法，来改进传统的差分进化算法所存在的缺陷。

此次研究需了解差分进化算法的概念，多目标差分进化算法的演化过程，主要探索精英保留策略，研究拥挤熵策略与多目标问题，分析算法收敛行为，使用测试算法测试改进后算法的性能，并与相应的算法进行比较。

2. 研究的基本内容

（1）探索精英保留策略，拥挤熵策略与多目标问题

学习多目标进化算法及其演化过程，学习已有研究成果，深刻理解多目标差分进化算法的内涵、方法和优缺点。了解包括精英保留策略和拥挤熵策略在内的解决策略。对所研究问题有整体把握。

（2）设计基于精英保留策略和拥挤熵的多目标差分进化算法

3. 实施方案、进度安排及预期效果

2015年11月~12月：资料收集，完成任务书和开题报告，熟练并掌握差分进化算法；

2016年1月~2月（开学前）：学习自适应方法与各种搜索机制，并完成算法设计；

2016年3月~5月：在相应的函数测试，并与原算法的性能比较，设计出一种更优化的算法；

4. 参考文献

[1] yao-nan wang;liang-hong wu;xiao-fang yuan. multi-objective self-adaptive differential evolution with elitist archive and crowding entropy-based diversity measure[j]. soft computing,2010,14(3):193-209.

[2]谢涛,陈火旺,康立山.多目标优化的演化算法[j].计算机学报,2003,26(08):997-1003.