1、伴隨著社會(huì)生活的智慧化、工業(yè)生產(chǎn)的智能化，工程實(shí)踐及科學(xué)研究中的優(yōu)化問題呈現(xiàn)出大規(guī)模、復(fù)雜性、不確定性的特點(diǎn)。由于缺乏問題的先驗(yàn)知識(shí)，傳統(tǒng)的基于確定型的優(yōu)化方法已然無法滿足現(xiàn)階段工程領(lǐng)域的實(shí)際需求，而這些問題的解決得益于智能計(jì)算技術(shù)的發(fā)展。智能優(yōu)化算法是伴隨著計(jì)算機(jī)技術(shù)的發(fā)展而產(chǎn)生和發(fā)展起來的智能計(jì)算技術(shù)，具有較好的魯棒性、自學(xué)習(xí)性、自適應(yīng)性和收斂性，因此受到人們的青睞。
　　 在經(jīng)濟(jì)與社會(huì)的預(yù)測(cè)預(yù)警研究領(lǐng)域中，主要涉及到的模型

2、優(yōu)化問題多數(shù)是連續(xù)域優(yōu)化問題，而差分進(jìn)化算法是一種對(duì)連續(xù)域優(yōu)化問題具有良好性能的新穎智能算法，該算法兼具了系統(tǒng)演化和集群智能的特性，具有受控參數(shù)少，收斂性好、魯棒性強(qiáng)和易于實(shí)現(xiàn)的優(yōu)點(diǎn)。然而對(duì)于復(fù)雜的工程優(yōu)化問題，差分進(jìn)化算法也存在容易陷入局部最優(yōu)值的不足，鑒于此，本文首先對(duì)連續(xù)域優(yōu)化問題的研究方法和差分進(jìn)化算法進(jìn)行綜述，在此基礎(chǔ)上對(duì)差分進(jìn)化算法進(jìn)行改進(jìn)，提出了基于差分進(jìn)化的魚群算法和基于精英協(xié)同的混洗差分進(jìn)化算法，并進(jìn)行連續(xù)域函數(shù)的優(yōu)化

3、仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果驗(yàn)證了改進(jìn)算法的良好尋優(yōu)性能。
　　 基于差分進(jìn)化的魚群算法基本思想是:首先以人工魚群算法為主體，在依魚群中心執(zhí)行聚群行為和依公告板最優(yōu)記錄執(zhí)行追尾行為的基礎(chǔ)上，對(duì)公告板增設(shè)魚群停滯閾值和停滯狀態(tài)記錄，以對(duì)處于停滯階段的魚群執(zhí)行差分進(jìn)化操作，進(jìn)而實(shí)現(xiàn)對(duì)停滯階段魚群的擾動(dòng)，從而在保證算法全局探索能力的同時(shí)，提高了局部開發(fā)能力，克服了算法在搜索后期的無目的性。通過Benchmark函數(shù)測(cè)試，并與其它魚群算法、粒子群

4、優(yōu)化算法(PSO)進(jìn)行比較，結(jié)果表明該融合算法的收斂速度和尋優(yōu)精度得到顯著改善，具有較好的優(yōu)化效果。
　　 基于精英協(xié)同的混洗差分進(jìn)化算法(Shuffled Differential Evolution，SDE)基本思想是:在引入反向?qū)W習(xí)的初始化機(jī)制的同時(shí)，對(duì)設(shè)置的普通群和虛擬精英群采用不同的差分策略，進(jìn)而將精英個(gè)體作為信息通道實(shí)現(xiàn)種群間的信息交流;同時(shí)，借助種群的定期混洗機(jī)制實(shí)現(xiàn)種群間的文化交流，從而達(dá)到協(xié)同進(jìn)化的目的;此外，