DE算法理解与实验

DE——速度最快的进化算法。

特点：包括变异、交叉和选择三个步骤。模拟了群体中的个体的合作与竞争的过程。变异向量由父代差分向量生成，并与父代个体向量交叉生成新个体向量，直接与其父代个体进行选择。

优点：算法原理简单，控制参数少，只有交叉概率和缩放比例因子，鲁棒性强，易于实现。

初始化种群的表示：X基因，个体，代数，宏观时，小如基因看不到，常被隐藏。

交叉：两父体，父v必给一个j=jrand的基因，父v给出rand<=cr交叉概率的基因，父x给出rand>cr的基因。其中，rand是随机分配的。组成的个体为u，它拥有两父体的等位基因。

算法步骤

step1：确定差分进化算法控制参数，确定适应度函数。差分进化算法控制参数包括:种群大小NP、缩放因子F与杂交概率CR。

step2：随机产生初始种群。

step3：对初始种群进行评价，即计算初始种群中每个个体的适应度值。

step4：判断是否达到终止条件或进化代数达到最大。若是，则终止进化，将得到最佳个体作为最优解输出；若否，继续。

step5：进行变异和交叉操作，得到中间种群。

step6：在原种群和中间种群中选择个体，得到新一代种群。

step7：进化代数g=g+1，转step4。

实验：用DE求函数的最值

第一个函数为y=

def obj_func(u):
    #f的函数
    f = (np.pi)*(np.exp(u**2))
    return f[0]

进化的结果如下，比较符合y的最小值。

第一个函数为y=+cosx

def obj_func(u):
    #f的函数
    #f = np.cos(u) * np.exp(-(u - np.pi) ** 2)
    f = (np.pi)*(np.exp(u**2))+np.cos(u)
    return f[0]

进化的结果如下，与求导求最值得到的结果相差无几。

这说明，DE算法得到的结果还是比较准确的。

源代码如下：

import numpy as np

# 定义一些参数
POPULATION = 10
F = 0.7
P_CROSS = 0.9
MAX_ITER = 50
LAM = 1e15
print("-------------------------------------------------------------")

lb = np.array([-10])
ub = np.array([10])

def obj_func(u):
    #f的函数
    #f = np.cos(u) * np.exp(-(u - np.pi) ** 2)
    f = (np.pi)*(np.exp(u**2))+np.cos(u)
    return f[0]

# 初始化
s = np.zeros((POPULATION, len(lb)))
fitness = np.zeros(POPULATION)
for i in range(POPULATION):
    s[i] = lb + (ub - lb) * np.random.rand(len(lb))
    fitness[i] = obj_func(s[i])

i = 0
f_opt = np.min(fitness)
u_opt = s[np.argmin(fitness)]

# 开始DE
while i < MAX_ITER:
    i += 1
    k = np.random.randint(0, POPULATION, 2)
    v = s + F * (s[k[0]] - s[k[1]])

    for x in v:
        for p in range(len(x)):
            if x[p] > ub[p]:
                x[p] = ub[p]
            if x[p] < lb[p]:
                x[p] = lb[p]
    is_cross = np.random.rand(POPULATION * len(lb)).reshape((POPULATION, len(lb))) < P_CROSS
    v = s * (1 - is_cross) + v * is_cross
    for p in range(POPULATION):
        f_new = obj_func(v[p])
        if f_new <= fitness[p]:
            s[p] = v[p]
            fitness[p] = f_new
        if f_new < f_opt:
            f_opt = f_new
            u_opt = v[p]
            print(u_opt, f_opt, sep='\t')
print("The solution is:", u_opt)
print("The objective value is:", f_opt)