获取更多资讯,赶快关注上面的公众号吧!
1、思想
DE是由Rainer Storn 和 Kenneth Price于1995年提出的一种比较经典的进化算法,是一种新型并行直接搜索算法,每一代G中都利用NP个参数向量(个体)作为种群,在优化过程中NP是保持不变的。如果没有掌握一些系统的先验知识,通常初始种群是随机选择的,一般来说,除非另有说明,否则将对所有随机决策假定一个均匀的概率分布,在得到初步解后,通常通过在名义解 x ‾ nom , 0 \underline{x}_{\text {nom }, 0} xnom ,0上加上正太分布的随机偏差来生成初始种群。DE背后的关键思想是一种生成试验参数向量的新方案,其将两个种群个体的差向量加权后再与第三个成员相加,然后就得到了新的参数向量。如果得到的向量的目标函数值低于(最小化问题)种群中的个体,则用新生成的向量替换与之比较的向量。此外,还对每一代G中的最优参数向量 X ‾ best , G \underline{\mathrm{X}}_{\text {best }, \mathrm{G}} Xbest ,G进行评估,以追踪最小化进程。
从种群中提取距离和方向信息,产生随机偏差结果,该自适应方案具有良好的收敛性能。下面介绍两种最具潜力的DE变体。
2、方案DE1
变异
第一种DE变体的工作原理如下:对于每一个
x
‾
i
,
G
,
i
=
0
,
1
,
2
,
…
,
N
P
−
1
\underline{x}_{i, G}, i=0,1,2, \ldots, N P-1
xi,G,i=0,1,2,…,NP−1,根据下式生成试验向量:
v
‾
=
x
‾
r
1
,
G
+
F
⋅
(
x
‾
r
2
,
G
−
x
‾
r
3
,
G
)
(1)
\underline{\mathrm{v}}=\underline{\mathrm{x}}_{\mathrm{r}_{1}, \mathrm{G}}+\mathrm{F} \cdot\left(\underline{\mathrm{x}}_{\mathrm{r}_{2}, \mathrm{G}}-\underline{\mathrm{x}}_{\mathrm{r}_{3}, \mathrm{G}}\right)\tag {1}
v=xr1,G+F⋅(xr2,G−xr3,G)(1)
其中 r 1 , r 2 , r 3 ∈ [ 0 , N P − 1 ] \mathrm{r}_{1}, \mathrm{r}_{2}, \mathrm{r}_{3} \in[0, \mathrm{NP}-1] r1,r2,r3∈[0,NP−1],均为整数且互不相同, F > 0 F>0 F>0。这一步相当于变异操作。
r 1 , r 2 , r 3 \mathrm{r}_{1}, \mathrm{r}_{2}, \mathrm{r}_{3} r1,r2,r3为从 [ 0 , N P − 1 ] [0,NP-1] [0,NP−1]中随机选择的整数,之所以是 N P − 1 NP-1 NP−1,是因为这里所以是从0开始的,所以最后一个个体的索引是 N P − 1 NP-1 NP−1, F F F为实值常数因子,控制差分变化 ( x ‾ r 2 , G − x ‾ r 3 , G ) \left(\underline{\mathbf{x}}_{\mathbf{r}_{2}, \mathbf{G}}-\underline{\mathbf{x}}_{\mathbf{r}_{3}, \mathbf{G}}\right) (xr2,G−xr3,G)的放大率。图1以一个二维示例说明了不同向量再DE1中的作用。
交叉
为了增加参数向量的多样性,构造如下向量:
u ‾ = ( u 1 , u 2 , … , u D ) T (2) \underline{\mathrm{u}}=\left(\mathrm{u}_{1}, \mathrm{u}_{2}, \ldots, \mathrm{u}_{\mathrm{D}}\right)^{\mathrm{T}}\tag{2} u=(u1,u2,…,uD)T(2)
u j = { v j for j = ⟨ n ⟩ D , ⟨ n + 1 ⟩ D , … , ⟨ n + L − 1 ⟩ D ( x ‾ i , G ) j otherwise (3) u_{j}=\left\{\begin{array}{ll} v_{j} & \text { for } \quad j=\langle n\rangle_{D},\langle n+1\rangle_{D}, \ldots,\langle n+L-1\rangle_{D} \\ \left(\underline{x}_{i, G}\right)_{j} & \text { otherwise } \end{array}\right.\tag{3} uj={vj(xi,G)j for j=⟨n⟩D,⟨n+1⟩D,…,⟨n+L−1⟩D otherwise (3)
其中尖括号 ⟨ ⟩ D \langle\rangle_{D} ⟨⟩D表示模为 D D D的模函数。
式(3)说明
u
‾
\underline{\mathrm{u}}
u中某一向量元素序列等于
v
‾
\underline{\mathrm{v}}
v中的元素,而
u
‾
\underline{\mathrm{u}}
u中的其他元素使用
x
‾
i
,
G
\underline{x}_{i, G}
xi,G中的原始值。为这种变异选择一组参数的过程类似于进化理论中交叉。图2解释了这一点,其中D=7,n=2,L=3。D为问题维度,起始索引
n
n
n式从
[
0
,
D
−
1
]
[0,D-1]
[0,D−1]内随机选择的整数,
L
L
L以交叉概率
C
r
Cr
Cr从
[
0
,
D
−
1
]
[0,D-1]
[0,D−1]内随机选择,
L
L
L按以下方式确定,
C
r
Cr
Cr作用同
F
F
F,用于控制DE。对于每一个试验向量,都要随机生成新的
n
n
n和
L
L
L。
L
=
0
;
D
O
{
L
=
L
+
1
;
}
WHILE
(
(
r
a
n
d
(
0
,
1
)
≤
C
r
)
A
N
D
(
L
≤
D
)
)
\begin{aligned} L &=0 ; \mathrm{DO} \\ &\{\\ L &=L+1 ; \\ &\} \text { WHILE }((r a n d(0,1) \leq C r) \mathrm{AND}(L \leq D)) \end{aligned}
LL=0;DO{=L+1;} WHILE ((rand(0,1)≤Cr)AND(L≤D))
所以从每个元素的角度就看,则可以得到以下公式:
u
j
,
i
,
G
=
{
v
j
,
i
,
G
if
(
rand
i
,
j
[
0
,
1
]
≤
Cr or
j
=
j
rand
)
x
j
,
i
,
G
otherwise
(4)
u_{j, i, G}=\left\{\begin{array}{ll} v_{j, i, G} & \text { if }\left(\text {rand}_{i, j}[0,1] \leq \text {Cr or } j=j_{\text {rand}}\right) \\ x_{j, i, G} & \text { otherwise } \end{array}\right.\tag{4}
uj,i,G={vj,i,Gxj,i,G if (randi,j[0,1]≤Cr or j=jrand) otherwise (4)
其中
rand
i
,
j
[
0
,
1
]
\text {rand}_{i, j}[0,1]
randi,j[0,1]为均匀分布随机数,该值需要在第
i
i
i个参数向量的每个维度上都重新调用,
j
rand
∈
[
1
,
2
,
.
.
.
,
D
]
j_{\text {rand}}\in [1,2,...,D]
jrand∈[1,2,...,D]为随机选择的索引,以保证
u
u
u中至少有一个元素取自
v
v
v,对于每一代中的米格向量,只需要实例化此值一次。
选择
为了保证种群大小不变,这一步叫做“选择”,以确定试验向量或目标向量是否存活到下一代,即
x
‾
i
,
G
+
1
=
u
‾
if
f
(
u
‾
)
≤
f
(
x
‾
i
,
G
)
=
x
‾
i
,
G
if
f
(
u
‾
)
>
f
(
x
‾
i
,
G
)
(5)
\begin{aligned} \underline{\mathrm{x}}_{i, G+1}&=\underline{\mathrm{u}} & \text { if } f\left(\underline{\mathrm{u}}\right) \leq f\left(\underline{\mathrm{x}}_{i, G}\right) \\ & =\underline{\mathrm{x}}_{i, G} & \text { if } f\left(\underline{\mathrm{u}}\right)>f\left(\underline{\mathrm{x}}_{i, G}\right) \end{aligned}\tag{5}
xi,G+1=u=xi,G if f(u)≤f(xi,G) if f(u)>f(xi,G)(5)
其中 f ( ) f() f()为待最小化的目标函数,因此新的试验向量产生了相等或更小的目标函数,则替换掉对应的目标向量,否则就保留目标向量至下一代。
算法伪代码
3、方案DE2
DE2和DE1思想基本一致,只不过在变异时稍有不同:
v
‾
=
x
‾
i
,
G
+
λ
⋅
(
x
‾
best
,
G
−
x
‾
i
,
G
)
+
F
⋅
(
x
‾
r
2
,
G
−
x
‾
r
3
,
G
)
(6)
\underline{\mathrm{v}}=\underline{\mathrm{x}}_{\mathrm{i}, \mathrm{G}}+\lambda \cdot\left(\underline{\mathrm{x}}_{\text {best }, \mathrm{G}}-\underline{\mathrm{x}}_{\mathrm{i}, \mathrm{G}}\right)+\mathrm{F} \cdot\left(\underline{\mathrm{x}}_{\mathrm{r}_{2}, \mathrm{G}}-\underline{\mathrm{x}}_{\mathrm{r}_{3}, \mathrm{G}}\right)\tag{6}
v=xi,G+λ⋅(xbest ,G−xi,G)+F⋅(xr2,G−xr3,G)(6)
(6)中引入了一个额外的控制参数
λ
\lambda
λ,其思想是提供一种通过结合当前最优向量
x
‾
best
\underline{\mathrm{x}}_{\text {best }}
xbest 的方式,来增强该方案的贪婪性。图4说明了DE2的向量生成过程。
4、 源代码
关注公众号后,回复“差分进化”或“DE”获取Matlab源码和Java源码链接。