强化学习与代理模型辅助的DE算法研究及其在桁架结构中的应用

摘要

差分进化(Differential Evolution, DE)算法因其结构简单与全局搜索能力强，广泛应用于各类复杂优化问题。然而，其性能高度依赖于参数设置和变异策略选择，限制了算法的泛化能力与收敛效率。为此，文章提出一种融合强化学习与代理模型的自适应差分进化算法(RSADE)。该算法在标准DE框架中引入强化学习、代理建模与混合变异控制3种协同机制：(1)利用Actor-Critic强化学习模块根据搜索状态自适应调节参数F与CR,实现对搜索行为的动态控制；(2)嵌入基于高斯过程回归(GPR)与径向基函数(RBF)的代理模型，在预测不确定度较低时以预测结果替代真实评估，从而显著降低计算成本；(3)设计线性调度与自适应概率切换相结合的混合变异策略，使算法在早期强化全局探索、后期增强局部开发，从而实现搜索过程的动态平衡。在桁架结构优化问题上的数值实验表明，该方法在收敛速度、优化精度与稳定性方面均优于对比算法，验证了所提方法的有效性与优越性。

关键词

差分进化算法 / 强化学习 / 代理模型 / 自适应参数控制 / 混合变异策略 / 桁架结构优化