DE、SaDE、JADE、SHADE、L-SHADE算法整理

最新推荐文章于 2024-07-20 20:36:05 发布

和順

最新推荐文章于 2024-07-20 20:36:05 发布

阅读量1.2w

点赞数 38

分类专栏： AI 文章标签：算法机器学习人工智能

本文链接：https://blog.csdn.net/gentlelu/article/details/113722522

版权

DE(Differential Evolution)算法

A. 基本算法原理

DE算法仍然是EA算法的一种，所以在学习DE算法之前，先让我们复习一下EA(Evolution Algorithm)算法的流程图：
Steps of EA
在开始进行具体的流程介绍之前，先让我们来定义一些东西

Solution

根据问题的维度D，我们用一个D维的向量来表示为一个Solution
需要注意的是，每一个维度都应该有自己的上界和下界

Population

我们将固定数量(NP)个Solution打包起来，这样就形成了一个Population
Relationship

B. 流程详解

1. 初始化

每个Solution中每一个维度的值都初始化为该维度上下限中的随机值，公式为
$x_{i,j,0}=Min_{j}+rand_{i,j}\left[ 0,1 \right]\cdot \left( Max_{j}-Min_{j} \right)$

这里的i是Solution的序号、j是维度序号、0是第0代

2. 突变

对于每一个Solution $X_{i,G}$ ，从同代中随机选择其它3个Solution $X_{r_{1}^{i},G}、X_{r_{2}^{i},G}、X_{r_{3}^{i},G}$ 来计算这个Solution的Mutant vector $V_{i,G}$ ，公式如下
$V_{i,G}=X_{r_{1}^{i},G}+F\cdot(X_{r_{2}^{i},G}-X_{r_{3}^{i},G})$

$i$ 是正在处理的Solution的序号，由于不同的Solution所使用到的三个随机Solution不同，因此打上了上标用以提醒
$G$ 是当前的代数
$F$ 是比例因子(Scaling factor)，其取值为(0,1.5)的常数

3. 重组

有两种重组方式，但都离不开 $C r$ ，它是该维度变量是否更新的依据，这个值是预先设定好的
1. Binomial/Uniform Crossover

公式如下
$u_{i,j,G}=\left\{ \begin{aligned} v_{i,j,G}&,&& if\left( rand_{i,j}\left[ 0,1 \right]\le{C}r\quad or\quad j=j_{rand} \right) \\ x_{i,j,G}&,&& otherwise \end{aligned}\right.$

$u_{i,j,G}$ 是经过重组之后生成的新的Solution $U_{i,G}$ 在 $j$ 位置处的值
$v_{i,j,G}$ 是经过突变之后生成的Mutant vector $V_{i,G}$ 在 $j$ 位置处的值
$x_{i,j,G}$ 是原Solution $X_{i,G}$ 在 $j$ 位置处的值
$j_{rand}=rand[0,D]$ ，为了避免 $C r$ 太小，我们引入该值，来随机一些位置，强制它们发生改变

2. Exponential(two-point modulo) Crossover
这里需要先引入两个值 $n 、 L$ ， $n$ 是直接随机得到的， $L$ 需要进行一些计算，这里给了 $L$ 的伪代码

L=0;
DO
{
   
	L=L+1;
}WHILE((rand[0,1]<=Cr)AND(L<D))

$n$ 确定了Crossover的起点， $L$ 确定了Crossover的终点
Crossover的公式如下
$u_{i,j,G}=\left\{ \begin{aligned} v_{i,j,G}&,&& for\: j=\langle n\rangle _{D},\langle n+1\rangle _{D},...,\langle n+L-1\rangle _{D} \\ x_{i,j,G}&,&& for\; all\; other\; j\in [1,D] \end{aligned}\right.$