差分进化算法及可运行Matlab代码

Rosy_Willa

于 2024-05-26 22:46:59 发布

阅读量304

点赞数 4

文章标签： matlab 开发语言

本文链接：https://blog.csdn.net/hakudaisy/article/details/139178175

版权

这是小鱼学习后自己整理的相关知识和撰写的代码，如有不妥之处，希望大家可以在评论区进行指正，小鱼很感激！

差分进化算法的基本理论

什么是差分进化算法

简介：差分进化算法是一种随机的、并行的、直接的搜索算法，属于基于种群的自适应全局优化算法（演化算法的一种）。

特点：结构简单、易实现、收敛快速、鲁棒性强、自适应性、内在并行性等。

基本思想：

（1）初始化种群X

（2）变异：X中随机选两个向量，进行差分计算，其结果作为加权，按照一定的规则和第三个个体进行求和，完成变异。

（3）交叉：将变异个体与预先确定的目标个体进行参数混合，完成交叉。

（4）选择：个体的适应度值优于阈值，下一代用该个体取代目标个体，否则不变，完成选择。

（5）迭代：基于上述步骤，保留优良个体，引导搜索过程向全局最优解逼近。

算法实现：

（1）确定控制参数（种群规模NP【5D~10D，且满足大于等于4】、变异算子F和交叉算子CR【0~1，越大收敛越快】）、适应度函数和最大进化代数

（2）随机初始化： $x^{_{ij,0}}=rand\left ( 0,1 \right )\cdot \left ( x^{_{j}^{U}} - x^{_{j}^{L}}\right )+x^{_{j}^{L}}$

（3）评价每个个体的适应度值

（4）判断是否产生终止条件，若是则终止进化，此时得到的个体作为最佳个体（最优解）输出；否则，继续进化

（5）变异： $v_{i,G}=x_{r1,G}+F\left ( x_{r2,G}-x_{r3,G} \right ), F\in \left [ 0,2 \right ]$ ，

自适应变异算子为： $\lambda =e^{1-\frac{Gm}{Gm+1-G}},F=F_{0}\cdot 2^{\lambda}$

（6）交叉： $u_{i,G+1}=\left ( u_{1i,G+1},u_{2i,G+1} ,\cdots,u_{Di,G+1}\right )$

$u_{ji,G+1}=\binom{v_{ji,G+1},\left ( rand\left ( b(j)\leq CR)else, j=rnbr(i) \right ) \right )}{x_{ji,G+1},\left ( rand\left ( b(j)>CR)else, j\neq rnbr(i) \right ) \right )}$

$rnbr(i)\epsilon \left ( 1,2,\cdots ,D \right )$

$i=1,2,\cdots ,NP;j=1,2,\cdots,D$

（7）选择：根据是否目标函数最小化来选择，得到新一代种群。

（8）边界问题：当产生新的个体，不符合边界条件时，采用（1）式进行代替。

（9）G=G+1，重复（3）-（8）.

求某函数最小值： $f=\sum_{i=1}^{n}\left ( x^{2} -10cos\left ( 2\pi x \right )+10\right ),\left ( x\geqslant -5.12,x\leqslant 5.12 \right )$ 即测试函数

clc,clear,close all;
Gm=1000;%最大迭代数
F0=0.6;%初始变异算子
NP=100;%种群规模
CR=0.9;%交叉算子
G=1;%初始迭代数
N=30;%维数
xl=-5.12;
xu=5.12;
%% 初始化
ge=zeros(1,NP);
Bx=zeros(NP,N);
X0=(xu-xl)*rand(NP,N)+xl;
X=X0;
X1new=zeros(NP,N);
X1_new=zeros(NP,N);
X1=zeros(NP,N);
value=zeros(1,NP);
a=1;
b=NP;
%% 迭代
while G<Gm
for i = 1:NP
dx=randperm(b-a+1)+a-1;
j=dx(1);
k=dx(2);
p=dx(3);
if j==i
j=dx(4);
elseif k==i
k=dx(4);
elseif p==i
p=dx(4);
end
lambda=exp(1-Gm/(Gm+1-G));
F=F0*2.^lambda;
bon=X(p,:)+F*(X(j,:)-X(k,:));
if(bon>xl)&(bon<xu)
X1new(i,:)=bon;
else
X1new(i,:)=(xu-xl)*rand(1,N)+xl;
end
end
for i=1:NP
if rand>CR
X1_new(i,:)=X(i,:);
else
X1_new(i,:)=X1new(i,:);
end
end
for i=1:NP
if fun(X1_new(i,:))<fun(X(i,:))
X1(i,:)=X1_new(i,:);
else
X1(i,:)=X(i,:);
end
end
for i=1:NP
value(i)=fun(X1(i,:));
end
[fl,nl]=min(value);
ge(G)=fl;
bx(G,:)=X1(nl,:);
G=G+1;
X=X1;
end
[gl,n]=min(ge);
bvalue=gl
bs=bx(n,:)
plot(bs);
function y=fun(x)
y=sum(x.^2-10.*cos(2.*pi.*x)+10);
end