差分进化算法_智能优化算法 — 差分进化算法示例代码

点击上方“蓝字”关注我们了解更多精彩

差分进化算法(Differential Evolution Algorithm，DE)是一种高效的全局优化算法。它也是基于群体的启发式搜索算法，群中的每个个体对应一个 解向量 。差分进化算法的进化流程则与 遗传算法 非常类似，都包括变异、杂交和选择操作，但这些操作的具体定义与遗传算法有所不同。 基本原理 前文《智能优化算法 — 差分进化算法》

不同的进化策略具有不同的效果，随着研究者有组织的研究，总结出了一套进化策略如：

表示DE/best/1/bin——>表示DE/最优值作为基数也可随机选取(rand)/1个矢量差/二项差求矢量值，还有一种是指数矢量差未列出，如exp。后面解释基本一致。

表示DE/best/1/bin

表示DE/rand-to-best/1/bin，黄色部分是随机和最优值相结合选取作为基数。

表示DE/best/2/bin

表示DE/rand/2/bin·····等。

1.种群初始化设置初始进化代数t=0，在优化问题的可行解空间内按下式，随机产生满足约束条件的NP个个体X构成初始种群，NP的选取一般在维数D的5-10倍之间。

2.变异操作变异操作是DE算法中的关键步骤，也是其与其他进化算法的主要区别所在。DE算法最基本的变异成分是父代的差分矢量，每个差分矢量对应父代种群中两个不同个体的差向量，差分矢量定义见下式：

其中，r1,r2,r3∈{1, 2, …,NP}为随机选取的互不相同的正整数，且r1,r2,r3与当前目标个体矢量索引号i不同，由此可见，DE算法的种群规模必须大于4，否则将无法进行变异操作。Vi(t+1)为目标个体矢量Xi(t)对应的变异个体矢量，Xr3(t)称为基向量，F∈[0, 2]为常数，是DE算法的主要控制参数之一，称为变异因子或缩放因子，控制差异矢量的缩放幅度，也即对基向量影响的大小。

3.交叉操作为进一步增加种群多样性，DE 算法将目标矢量个体Xi(t)与其对应的变异个体Vi(t+1)进行交叉操作，产生试验个体，即目标个体的候选个体Ui(t+1)。为保证目标个体Xi(t)的进化，必须保证试验个体Ui(t+1)中至少有一维分量由变异个体Vi(t+1)贡献，而其他维分量则由交叉概率因子CR决定。由此试验个体中每一维分量uij(t+1)按下式。

其中，xij(t)表示父代种群中目标个体矢量Xi(t)中的第j维分量，vij(t+1)为变异个体Vi(t+1)中的第j维分量，其中i=1,…,NP,j=1,…,D。rand(j)∈[0,1]为第j维分量对应的随机数。交叉概率因子CR∈[0,1]是DE算法的另一个主要控制参数，它决定了变异个体Vi(t+1)在生成的试验个体Ui(t+1)中所占的比例。 k为第i个个体对应的系数，一般是从序列[1, 2, …,D]中随机选择的一个整数，用来确保候选个体Ui(t+1)中至少有一维分量来自变异个体Vi(t+1)。

4.选择操作(优胜劣汰)

 

Eg：求解f=x1^2+x2^2+……+xn^2,n=2， 求解f=f=x1^2+x2^2，最优值为(0,0)，可行域区间取[-20,20]， 如下图：

采用DE/rand/1/bin的进化策略，得到如下结果，文末赋代码链接：

 

Eg:求解Schaffer函数为例，同样采用不同的进化策略将会得到不同的效果。

Schaffer函数的最优值为1，只不过从等高线可以看出解x有很多。运行后的 收敛曲线如下，代码赋在文末：

链接：https://pan.baidu.com/s/1BUNnvmawX6m_5Ueter5nNQ

提取码：5u1n

复制这段内容后打开百度网盘手机App，操作更方便哦，代码仅供学习借鉴非商业用途！如有问题可后台回复，小编将尽快回复您！

参考书籍：

《差分进化算法及高维多目标优化应用 》   肖婧

— 往期精彩 —

数据结构 — 线性栈

2020-06-08

数据结构 — 链接存储的栈

2020-06-08

数据结构 — 链接存储的队列

2020-06-08

数据结构 — 队列

2020-06-08