1.算法提出及思想来源
差分进化算法(Differential Evolution,DE)于1997年由Rainer Storn和Kenneth Price在遗传算法等进化思想的基础上提出的,本质是一种多目标(连续变量)优化算法(MOEAs),用于求解多维空间中整体最优解。
差分进化思想来源即是早期提出的遗传算法(GeneticAlgorithm,GA),模拟遗传学中的杂交(crossover)、变异(mutation)、复制(reproduction)来设计遗传算子。
差分进化算法相对于遗传算法而言,相同点都是通过随机生成初始种群,以种群中每个个体的适应度值为选择标准,主要过程也都包括变异、交叉和选择三个步骤。不同之处在于遗传算法是根据适应度值来控制父代杂交,变异后产生的子代被选择的概率值,在最大化问题中适应值大的个体被选择的概率相应也会大一些。而差分进化算法变异向量是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。显然差分进化算法相对遗传算法的逼近效果更加显著。
2.算法过程:
DE的群体由突变和选择过程驱动。突变过程,包括突变和交叉操作,这两步操作被设计用于利用或探索搜索空间,而选择过程被用于确保有希望的个体的信息可以进一步利用。
(1)种群初始化:
在解空间中随机均匀产生M个个体,每个个体由n维向量组成
Xi(0)=(xi,1(0),xi,2(0),xi,3(0),…,xi,n(0))i=1,2,3,…,M
Xi(0)=(xi,1(0),xi,2(0),xi,3(0),…,xi,n(0))i=1,2,3,…,M
第i个个体的第j维值取值方式如下:
Xi,j(0)=Lj_min+rand(0,1)(Lj_max−Lj_min)i=1,2,3,…,Mj=1,2,3,…,n
Xi,j(0)=Lj_min+rand(0,1)(Lj_max−Lj_min)i=1,2,3,…,Mj=1,2,3,…,n
对于群体规模参数M,一般介于5×n5×n与10×n10×n之间,但不能少于4×n4×n
(2)变异:
在第g次迭代中,从种群中随机选择3个个体Xp1(g),Xp2(g),Xp3(g)Xp1(g),Xp2(g),Xp3(g),且p1≠p2≠p3≠ip1≠p2≠p3≠i,生成的变异向量为:
Hi(g)=Xp1(g)+F⋅(Xp2(g)−Xp3(g))
Hi(g)=Xp1(g)+F·(Xp2(g)−Xp3(g))
其中Δp2,p3(g)=Xp2(g)−Xp3(g)Δp2,p3(g)=Xp2(g)−Xp3(g)是差分向量,FF是缩放因子
对于缩放因子FF,一般是在[0,2]之间选择,通常取0.5
参数FF的自适应调整:
将变异算子中随机选择的三个个体进行从优到劣的排序,得到Xb,Xm,XwXb,Xm,Xw,对应适应度fb,fm,fwfb,fm,fw,变异算子改为:
Vi=Xb+Fi(Xm−Xw)
Vi=Xb+Fi(Xm−Xw)
同时,F的取值根据生成差分向量的两个个体自适应变化:
Fi=Fl+(Fu−Fl)fm−fbfw−fb其中,Fl=0.1,Fu=0.9
Fi=Fl+(Fu−Fl)fm−fbfw−fb其中,Fl=0.1,Fu=0.9
变异策略:
DE/rand/1:Vi(g)=Xp1(g)+F⋅(Xp2(g)−Xp3(g))DE/rand/1:Vi(g)=Xp1(g)+F·(Xp2(g)−Xp3(g))
DE/best/1:Vi(g)=Xbest(g)+F⋅(Xp1(g)−Xp2(g))DE/best/1:Vi(g)=Xbest(g)+F·(Xp1(g)−Xp2(g))
DE/current to best/1:Vi(g)=Xi(g)+F⋅(Xbest(g)−Xi(g))+F⋅(Xp1(g)−Xp2(g))DE/current to best/1:Vi(g)=Xi(g)+F·(Xbest(g)−Xi(g))+F·(Xp1(g)−Xp2(g))
DE/best/2:Vi(g)=Xbest(g)+F⋅(Xp1(g)−Xp2(g))+F⋅(Xp3(g)−Xp4(g))DE/best/2:Vi(g)=Xbest(g)+F·(Xp1(g)−Xp2(g))+F·(Xp3(g)−Xp4(g))
DE/rand/2:Vi(g)=Xp1(g)+F⋅(Xp2(g)−Xp3(g))+F⋅(Xp4(g)−Xp5(g))DE/rand/2:Vi(g)=Xp1(g)+F·(Xp2(g)−Xp3(g))+F·(Xp4(g)−Xp5(g))
(3)交叉:
vi,j={hi,j(g)xi,j(g),rand(0,1)≤cr,else
vi,j={hi,j(g),rand(0,1)≤crxi,j(g),else
其中cr∈[0,1]为交叉概率cr∈[0,1]为交叉概率
参数crcr的自适应调整:
其中fifi是个体XiXi的适应度,fminfmin与fmaxfmax分别是当前种群中最差和最优个体的适应度,f¯f¯是当前种群适应度平均值,crlcrl和crucru分别是crcr的下限与上限,一般crl=0.1,cru=0.6crl=0.1,cru=0.6
(4)选择:
Xi(g+1)={Vi(g)Xi(g),f(Vi(g))<f(Xi(g)),else
Xi(g+1)={Vi(g),f(Vi(g))<f(Xi(g))Xi(g),else
对于每个个体,Xi(g+1)Xi(g+1)要好于或持平于Xi(g)Xi(g),通过变异,交叉,选择达到全部最优。
伪代码:
原文:https://blog.csdn.net/qq_37423198/article/details/77856744