混合差分进化算法

配准精度更高

引入逐点淘汰、带排名的半参数变异策略和精英外部存档，局部开发与收敛速度均优于原始LSHADE-SPACMA。

Shengwei, Fu · Ma, Chi · Ke, Li · Cankun, Xie · Fan, Qingsong · 黄海松 · Jiangxue, Xie · Guozhang, Zhang · Mingyang, Yu

Artificial Intelligence Review 2025

参数信息

点云配准案例数

25

技术优势

局部开发更强

引入精确淘汰与生成机制，针对表现较差的个体进行精细调整，从而增强算法在局部区域的搜索能力，提高收敛精度。

进化方向更准

采用基于修改的半参数自适应策略和基于排名的选择压力的变异策略，使进化方向更有利于向全局最优靠近，提升寻优效率。

收敛更快

基于精英的外部存档机制保证外部种群的多样性，同时加速算法的收敛进程，减少迭代次数。

应用场景

• 点云配准：将改进的差分进化算法用于点云配准，提高配准精度和鲁棒性。
• 机器人视觉：高精度点云配准为机器人视觉中的三维重建和定位提供支持。
• 数值优化：用于求解各类连续数值优化问题，性能优于多种先进算法。