差分进化算法matlab代码_智能优化算法及其MATLAB实例-差分进化笔记

概念

1、是基于群体智能理论的优化算法，通过群体内个体间的合作与竞争而产生的智能优化搜索算法。相比较于进化计算，保留了基于种群的全局搜索策略，采用实数编码，降低了进化计算的复杂性。

　　差分算法是一种随机的启发式、自组织最小化算法。

2、查分算法的特点：

（1）结构简单、容易使用；

（2）性能优越；

（3）自适应性；

（4）具有内在的并行性，可协同搜索;

（5）算法通用；

3、操作程序：

初始化——变异——交叉——选择——边界条件处理

4、特点

相对于遗传算法，增加边界条件处理；

其变异向量的产生是差分的形式：

v(:,m) = x(:,r1)+F*(x(:,r2)-x(:,r3));

在交叉过程中，其的实验向量变化为：

    r = randi([1,D],1,1);
    for n = 1:D
        cr = rand(1);
        if(cr <= CR||n == r)
            u(n,:)=v(n,:);
        else
            u(n,:)=x(n,:);
        end
    end

其中，D为维度，CR为其的交叉算子，范围为[0,1]；

在选择过程中，实验向量只与一个个体相比较：

     for m = 1:NP %计算每个种群的适应度
         Ob1(m) = func1(u(:,m));
     end
     for m = 1:NP
         if Ob1(m)<Ob(m)
             x(:,m) = u(:,m);
         end
     end
      for m = 1:NP
          Ob(m) = func1(x(:,m));
      end

5、改进的差分计算

分为两种：自适应差分计算与离散型差分计算，变异过程不同。

自适应差分计算为：

    lamada = exp(1-G/(G+1-gen));
    F = F0*2^(lamada);

离散型差分计算为：

v(:,m) = floor[x(:,r1)+F*(x(:,r2)-x(:,r3))]

实例

计算函数最小值：

clear all;
close all;
clc

NP=50;
D=10;
G=200;
F0=0.4;
CR=0.1;
yz=10^-6;
Xs=20;
Xx=-20;
%% 赋初值
x = zeros(D,NP);
v = zeros(D,NP);
u = zeros(D,NP);
x = rand(D,NP)*(Xs-Xx)+Xx;

for m = 1:NP
    Ob(m) = func1(x(:,m));
end
tarce(1) = min(Ob);

%% 差分进化
for gen = 1:G   
    %%%%变异%%%%
    lamada = exp(1-G/(G+1-gen));
    F = F0*2^(lamada);
    for m = 1:NP
        r1 = randi([1,NP],1,1);
        while (r1==m)
            r1= randi([1,NP],1,1);
        end
         r2 = randi([1,NP],1,1);
        while (r2==m)||(r2 == r1)
            r2= randi([1,NP],1,1);
        end
        r3 = randi([1,NP],1,1);
        while (r3==m)||(r3 == r1)||(r3==r2)
            r3= randi([1,NP],1,1);
        end
        v(:,m) = x(:,r1)+F*(x(:,r2)-x(:,r3));
    end
    %%%%变异%%%%
    r = randi([1,D],1,1);
    for n = 1:D
        cr = rand(1);
        if(cr <= CR||n == r)
            u(n,:)=v(n,:);
        else
            u(n,:)=x(n,:);
        end
    end
    %%%%边界条件处理%%%%
     for n = 1:D
         for m = 1:NP
             if(u(n,m)<Xx)||(u(n,m)>Xs)
                 u(n,m) = rand*(Xs-Xx)+Xx;
             end
         end
     end
     %%%%选择%%%%%
     for m = 1:NP %计算每个种群的适应度
         Ob1(m) = func1(u(:,m));
     end
     for m = 1:NP
         if Ob1(m)<Ob(m)
             x(:,m) = u(:,m);
         end
     end
      for m = 1:NP
          Ob(m) = func1(x(:,m));
      end
      trace(gen+1) = min(Ob);
      if(min(Ob))<yz
          break
      end
end
[SortOb,Index] = sort(Ob);
x = x(:,Index);
X = x(:,1);
Y = min(Ob);

figure
plot(trace)