差分进化算法DE

最新推荐文章于 2025-01-07 15:49:51 发布

优化算法侠Swarm-Opti

最新推荐文章于 2025-01-07 15:49:51 发布

阅读量900

点赞数 19

分类专栏：智能优化算法文章标签：算法优化算法 matlab

本文链接：https://blog.csdn.net/weixin_44028734/article/details/144710741

版权

智能优化算法专栏收录该内容

551 篇文章

订阅专栏

引言

差分进化算法（Differential Evolution，简称DE）是一种全局优化算法，由Storn和Price于1995年首次提出。它主要用于求解实数优化问题，属于演化算法的一种。DE算法以其结构简单、容易实现、收敛快速和鲁棒性强等特点，在多个领域得到了广泛应用。

算法流程
初始化种群：确定差分进化算法控制参数，如种群大小NP、缩放因子F与杂交概率CR，并随机产生初始种群。

变异：从种群中随机选取两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体。

交叉：变异个体与某个预先决定的目标个体进行参数混合，生成试验个体。

选择：比较试验个体和当前个体的适应度，选择适应度更好的个体作为下一代种群的成员。

迭代：通过反复迭代上述过程，直至满足终止条件（如达到最大迭代次数或适应度达到预定阈值），最终得到问题的近似最优解。

参考文献

Matlab代码下载

微信搜索并关注-优化算法侠（英文名：Swarm-Opti），或扫描下方二维码关注，以算法名字搜索历史文章即可下载。

%% DE
% %% Please follow Wechat Swarm-Opti
function [fbest,Xbest,history] = DE(N,T,lb, ub,dim, func)
% control parameters
F = 0.4;
CR = 0.5;
X = rand(N, dim) .* (ub - lb) + lb;
for i = 1:N
    fit(i) = func(X(i,:));
end
t = 1;
while t <= T
    for i = 1:N
        A=randperm(N);
        A(A==i)=[];
        a=A(1);
        b=A(2);
        c=A(3);
        
        % Mutation
        V(i,:) = X(a,:) + F * (X(b,:)-X(c,:));
        V(i,:) = min(ub,V(i,:));
        V(i,:) = max(lb,V(i,:));
        
        % Cross
        j0 = randi([1,dim]);
        for j = 1:dim
            if j==j0 || rand <= CR
                Xnew(i,j)=V(j);
            else
                Xnew(i,j)=X(j);
            end
        end
        Xnew(i,:) = min(ub,Xnew(i,:));
        Xnew(i,:) = max(lb,Xnew(i,:));
    end
    
    % Slection
    for i = 1:N
        fit_new = func(Xnew(i,:));
        if fit_new < fit(i)
            fit(i) = fit_new;
            X(i,:) = Xnew(i,:);
        end
    end
    
    [fbest,best_index] = min(fit);
    Xbest = X(best_index,:);
    history(t) = fbest;
    
    t = t + 1;
end
end