2.1 引言

目前，在DE算法的向量产生策略和参数设置方面已进行了大量的研究，并取得了一些较重要的定性结论[1-2]。不同的向量产生策略和参数设置在处理不同类型的问题时各有优势，但遗憾的是这些优势并没有被充分利用，大部分DE算法仅采用一种向量产生策略和一组参数设置值。因此，最近有研究人员提出将不同向量产生策略和参数设置相融合的思想，以改进采用单一向量产生策略和参数设置的DE算法的性能。典型的有：Mallipeddi等[3]提出了具有学习能力的装配差分进化（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，建立了向量产生策略知识库和参数设置知识库，并在此基础上提出了一种组合差分进化算法。研究结果验证了此类方法对于提高DE算法性能是可行和有效的，与现有的几种自适应DE算法相比，极具竞争力。

虽然CoDE取得了不错的性能，但CoDE的参数设置库中仅选择3组特定的向量产生策略和3组特殊参数设置，其他一些常见的向量产生策略和参数设置并没有涉及，因此，本章考虑从向量的产生策略和控制参数两方面对CoDE进行扩展，探讨其对改进CoDE性能的可行性和有效性。同时，现有CoDE的研究仅建立在30维的测试函数基础上，缺乏对维数较大的实际问题的应用研究来验证CoDE的实用性，本章也解决了这个问题。

本章首先从向量的生成策略和控制参数两方面对CoDE方法进行了调整，提出了两种CoDE的改进版本MCoDE和MCoDE-P，并利用测试函数对这两种修改版本的性能进行了检验。为了提高在小规模数据集的情况下ANFIS模型的泛化能力，本章提出了一种用留一交叉验证法来优化ANFIS的结构，用改进的CoDE方法学习ANFIS的前后件参数的新方法。将该方法应用于实际的表面粗糙度预测建模，实验结果显示，本章提出的方法所建模型的泛化能力更好，提高了铣削过程表面粗糙度的预测精度。