1、题目
2、仿真过程
3、代码实现
4、结果展示
1、例题:计算函数的最小值,其中个体x的维数n=10,这是一个简单的平方和函数,只有一个极小点x=(0,0....,0)理论最小值f(0,0,...0)=0.
2、仿真过程
(1)初始化个体数目为NP=50,变量维数为D=10,最大进化代数为200,初始变异算子=0.4,交叉算子CR=0.1,阈值yz=.
(2)产生初始种群,计算个体目标函数值;进行变异操作、交叉操作、边界条件处理,产生临时种群,其中变异操作采用自适应变异算子,其中变异操作采用自适应变异算子,边界条件处理采用在可行域中随机产生参数向量的方式。
(3)计算临时种群个体目标函数,与原种群对应个体进行“一对一”选择操作,产生新种群。
(4)判断是否满足终止条件:若满足,则结束搜索过程,输出优化值,若不满足,则继续进行迭代优化。
优化结束后,DE目标函数进化曲线如图所示,优化后的结果为
x=[ -0.0003,-0.0002,0.0003,-0.0003,-0.0012,0.0003,-0.0000,0.0001,0.0007]
函数的最小值为 f(x)=2.2118e-06
3、代码实现
%%%% 差分进化算法求函数极值 %%%%
%% 初始化
clear all;
close all;
clc;
NP=50; % 种群数量
D=10; % 变量的维数
G=200; % 最大进化代数
F0=0.4; % 初始变异算子
CR=0.1; % 交叉算子
Xs=20; % 上限
Xx=-20; % 下限
yz=10^-6; % 阈值
%% 赋初值
x = zeros(D,NP); %初始化种群
v = zeros(D,NP); %变异种群
u = zeros(D,NP); %选择种群
x = rand(D,NP)*(Xs-Xx)+Xx; % 赋初值
%% 计算目标函数
for m = 1:NP
Ob(m)=func1(x(:,m));
end
trace(1) = min(Ob);
%% 差分进化循环
for gen=1:G
%变异操作
%自适应变异算子
lamda = exp(1-G/(G+1-gen));
F = F0*2^(lamda);
% r1,r2,r3和m互不相同
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==r2)|(r3==r1)
r3 =randi([1,NP],1,1);
end
v(:,m) = x(:,r1)+F*(x(:,r2)-x(:,r3));
end
% 交叉操作
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
% 边界条件的处理
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
% 选择操作
for m=1:NP
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(m))<yz
break
end
end
[SortOb,Index] = sort(Ob);
x= x(:,Index);
X = x(:,1);
Y = min(Ob);
%% 画图
figure
plot(trace);
xlabel('迭代次数')
ylabel('目标函数值')
title('DE目标函数值')
%%
%X = randi(imax) 返回一个介于 1 和 imax 之间的伪随机整数标量。
%X = randi(imax,n) 返回 n×n 矩阵,其中包含从区间 [1,imax] 的均匀离散分布中得到的伪随机整数。
%% 适应度函数
function result = func1(x)
summ=sum(x.^2);
result = summ;
4、结果展示