2.1 引言

目前，在DE算法的向量產生策略和參數設置方面已進行了大量的研究，并取得了一些較重要的定性結論[1-2]。不同的向量產生策略和參數設置在處理不同類型的問題時各有優勢，但遺憾的是這些優勢并沒有被充分利用，大部分DE算法僅采用一種向量產生策略和一組參數設置值。因此，最近有研究人員提出將不同向量產生策略和參數設置相融合的思想，以改進采用單一向量產生策略和參數設置的DE算法的性能。典型的有：Mallipeddi等[3]提出了具有學習能力的裝配差分進化（Ensemble of Mutation and Crossover Strategies and Parameters in DE，EPSDE）算法；Wang等[4]利用已有的研究成果，建立了向量產生策略知識庫和參數設置知識庫，并在此基礎上提出了一種組合差分進化算法。研究結果驗證了此類方法對于提高DE算法性能是可行和有效的，與現有的幾種自適應DE算法相比，極具競爭力。

雖然CoDE取得了不錯的性能，但CoDE的參數設置庫中僅選擇3組特定的向量產生策略和3組特殊參數設置，其他一些常見的向量產生策略和參數設置并沒有涉及，因此，本章考慮從向量的產生策略和控制參數兩方面對CoDE進行擴展，探討其對改進CoDE性能的可行性和有效性。同時，現有CoDE的研究僅建立在30維的測試函數基礎上，缺乏對維數較大的實際問題的應用研究來驗證CoDE的實用性，本章也解決了這個問題。

本章首先從向量的生成策略和控制參數兩方面對CoDE方法進行了調整，提出了兩種CoDE的改進版本MCoDE和MCoDE-P，并利用測試函數對這兩種修改版本的性能進行了檢驗。為了提高在小規模數據集的情況下ANFIS模型的泛化能力，本章提出了一種用留一交叉驗證法來優化ANFIS的結構，用改進的CoDE方法學習ANFIS的前后件參數的新方法。將該方法應用于實際的表面粗糙度預測建模，實驗結果顯示，本章提出的方法所建模型的泛化能力更好，提高了銑削過程表面粗糙度的預測精度。