差分进化算法(DE)和自适应差分进化算法(SaDE)跑23个经典CEC2005测试集
代码含有详细中文注释,方便读者研究和二次改进
差分进化算法(DE)是一种启发式优化算法,用于解决连续型优化问题。它模拟了生物进化中的个体变异和竞争过程。DE通过生成和演化候选解的种群来寻找全局最优解。主要步骤包括变异、交叉和选择操作,其中变异操作利用种群内的个体差异生成新解,交叉操作用于产生下一代候选解,选择操作则根据目标函数值来筛选新旧解的进入种群。而自适应差分进化算法 (SaDE)算法是差分进化的一个变种,其主要特点是引入了自适应机制来动态调整算法参数(例如变异和交叉概率)。SaDE尝试通过自适应地调整这些参数来提高算法的性能,以更好地适应不同类型的优化问题。SaDE通过考虑个体之间的交互和适应性来改进解的质量,从而提高了差分进化算法的鲁棒性和全局搜索能力。总的来说,DE是一种经典的全局优化算法,而SaDE是在DE基础上引入自适应机制来提高算法性能和适应性的一种改进算法。
实验结果如下:
部分主函数代码如下:
% DE算法和SaDE算法
% 清空环境变量
clear;clc;close all;
SearchAgents_no=50; % 种群数量
Function_name='F7'; % 标准测试函数编号(F1~F23)
Max_iteration=1000; % 最大迭代次数
% 获取目标函数对应参数
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
% DE寻优
tic
[Best_score,Best_pos,cg_curve]=DE(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
DE_time=toc;
% SaDE寻优
tic
[Best_score1,Best_pos1,cg_curve1]=SaDE(SearchAgents_no,Max_iteration,lb,ub,dim,fobj);
SaDE_time=toc;
figure('Position',[500 500 660 290])
% 绘制搜索空间
subplot(1,2,1);
func_plot(Function_name);
title(Function_name)
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
grid off