DE–A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces

0、论文背景

本文提出了一种新的最小化可能的非线性和不可微连续空间函数的启发式方法，即差分进化。

Storn R, Price K. Differential evolution–a simple and efficient heuristic for global optimization over continuous spaces[J]. Journal of global optimization, 1997, 11(4): 341-359.

1、介绍

本文主要提出了差分进化，然后与其他全局优化算法进行比较，然后得出差分进化效果更好的结论。本文不做其他算法进行解读，主要解读的是差分进化。

用户通常要求一个实用的最小化技术应该满足五个要求：

• 能够处理不可微、非线性和多模态代价函数。
• 并行地处理计算密集型成本函数。
• 使用很少的控制变量来控制最小化。这些变量也是稳健的和易于选择的。
• 良好的收敛性。

Differential evolution：

• 为了满足要求1，将DE设计为一种随机直接搜索方法。
• DE通过使用一个种群向量来满足要求2，其中种群向量的随机扰动可以独立地完成。
• DE的自组织方案利用两个随机选择的种群向量的差分向量来扰动一个现有的向量。对每个种群向量都进行了扰动。
• 后续实验表明，DE在收敛性这一方面变现地非常好。

2、Differential evolution

差分进化(DE)是一种