تکامل تفاضلی — بهینهساز تصادفی سراسری
تکامل تفاضلی (DE)، که توسط راینر استورن و کنت پرایس در سال ۱۹۹۷ معرفی شد، یک الگوریتم بهینهسازی تصادفی مبتنی بر جمعیت است که برای فضاهای پارامتری پیوسته طراحی شده است. این الگوریتم با ترکیب تفاوتهای برداری بین اعضای موجود جمعیت، راهحلهای کاندید را تولید میکند و آن را به جایگزینی قدرتمند و کمپارامتر برای الگوریتمهای ژنتیک و بهینهسازی ازدحام ذرات تبدیل میکند، بهویژه زمانی که فضای جستجو غیرمحدب، چندوجهی یا برای روشهای مبتنی بر گرادیان نامناسب باشد.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
+3 more
منابع
- Storn, R. & Price, K. (1997). Differential Evolution – A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces. Journal of Global Optimization, 11(4), 341–359. DOI: 10.1023/A:1008202821328 ↗
- Das, S., Mullick, S. S., & Suganthan, P. N. (2016). Recent advances in differential evolution – An updated survey. Swarm and Evolutionary Computation, 27, 1–30. DOI: 10.1016/j.swevo.2016.01.004 ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 1). Differential Evolution (DE). ScholarGate. https://scholargate.app/fa/optimization/differential-evolution
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- رگرسیون بیزیبیزی↔ compare
- یادگیری تقویتی عمیقیادگیری عمیق↔ compare
- الگوریتم ژنتیکبهینهسازی↔ compare
- جستجوی معماری عصبییادگیری عمیق↔ compare
- تحلیل مؤلفههای اصلییادگیری ماشین↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →