差分进化算法

差分进化算法

1. 参数：

   • 种群大小：N

   • 染色体长度：D（待求参数向量的长度）

   • 迭代次数：$G_m$ 或者 停止进化条件

   • 变异算子：$F_0$

     • 决定差分过程中的变异大小

     • 一般取[0,2]

     • 为了避免早熟，可以增加具有自适应变异的算子，具体如下：
       $$\begin{gathered} \lambda =e^{1-\frac{G_m}{G_m+1-G}} \\ F=F_0\cdot 2^{\lambda } \end{gathered}$$
       通过该种方式，变异算子可以随着迭代次数的增加，实现由$F_0⟹0$的转变

   • 交叉(遗传)算子：CR (表示某一个体的某一基因遗传给下一代的概率) 介于[0,1]

   • 寻优区间：[$x_{\text{j,i}}^L$,$x_{\text{j,i}}^U$] 限制每一个体每一染色体的大小

   • x(g)：当前进化代数下的个体合集；

     v(g)：当前进化代数下产生的等待遗传的所有染色体合集；

     u(g)：当前代数下v(g)与x(g)按照交叉算子的限制相互结合形成的新个体。

   • (i , j):第i个个体的第j个染色体；

2. 算法流程

   1. 初始化种群
      $$x_{\text{j,i}}(0)=x_{\text{j,i}}^L+rand(0,1)\cdot (x_{\text{j,i}}^U-x_{\text{j,i}}^L)$$

   2. 变异

      常见的差分策略为随机选取中区中两个不同的个体，将其向量差缩放后形成变异中间个体v(g)
      $$v_{\text{i}}(g+1)=x_{\text{r1}}(g)+F\cdot (x_{\text{r2}}(g)-x_{\text{r3}}(g))$$
      $⟹边界判断：$

      • $x^{\prime }=\{\begin{array}{l}{x}_{\text{j,i}}^L,x^{\prime }<x_{\text{j,i}}^L;\\ x_{\text{j,i}}^U,x^{\prime }>x_{\text{j,i}}^U;\\ x^{\prime },else;\end{array}$
      • $x^{\prime }=\{\begin{array}{l}{x}_{\text{j,i}}^L+rand(0,1)\cdot (x_{\text{j,i}}^U-x_{\text{j,i}}^L),if{x}^{\prime }<xor{x}^{\prime }>x;\\ x^{\prime },else\end{array}$

   3. 交叉

      对第$g$代种群 { x i ( g ) } \{x_\text{i}(g)\} {xi​(g)}及其变异的中间体 { v i ( g + 1 ) } \{v_\text{i}(g+1)\} {vi​(g+1)}进行个体间的交叉操作；
      $$\begin{gathered} u_{\text{j,i}}=\{\begin{array}{l}{v}_{\text{j,i}}(g+1),ifrand(0,1)⩽CRorj=randi([1,D],1,1) \\ {x}_{\text{j,i}}(g),else\end{array} \end{gathered}$$
      在交叉过程中，$j=randi([1,D],1,1)$是为了确保每一个变异中间体一定有一个变异染色体遗传下去；其他的交叉过程，则是通过交叉概率CR来选取变异中间体的该染色体是否遗传给下一代
      

   4. 选择

      设置一目标函数:
      f ( X ) = ∑ i = 1 n x i 2   ; X = { x 1 , x 2 , x 3 , ⋯   , x n } f(X)=\sum_{i=1}^n x_i^2\ ;\\ X = \{x_1,x_2,x_3,\cdots,x_n\} f(X)=i=1∑n​xi2​ ;X={x1​,x2​,x3​,⋯,xn​}
      DE采用采用贪婪算法来选择进入下一代种群的个体：
      $$x_{\text{i}}(g+1)=\{\begin{array}{l}{u}_{\text{i}}(g+1),iff(u_{\text{i}}(g+1))⩽f(x_{\text{i}}(g));\\ x_{\text{i}}(g),else\end{array}$$

3. 流程总结

4. 代码示例
   以下代码式差分进化算法具体实现，这里的优化模型为：
   目标函数：$f(X)=\sum _{i=1}^{10}{x}_i^2$ X = { x 1 , x 2 , x 3 , ⋯   , x 10 } X=\{x_1,x_2,x_3,\cdots,x_{10}\} X={x1​,x2​,x3​,⋯,x10​};

   决策变量：$X$ ;

   限制条件：$for{x}_i\in [-20,20]$ ;

clear
close all
clc
N = 1000; % 种群数量
D = 10; % 决策变量维度
G_Max = 3000; % 迭代次数
F0 = 2; % 变异算子初值
CR = 0.4; % 交叉概率
X_Min = -20; % 决策变量区间
X_Max = 20;

WaitbarInter = G_Max / 100; % 为了生成进度条的一个数字



% 种群初始化
X = rand(N, D) * (X_Max - X_Min) + X_Min;
X_Fitness = Fitness(X,N);
V = zeros(N, D);
U = zeros(N, D);
U_Fitness = Fitness(U,N);
Best_X = X(1, :);
MinFitness_List = zeros(1, G_Max + 1); % 存放每一次迭代的目标函数值
MinFitness_List(1) = min(X_Fitness);
Fitness_List = zeros(1, G_Max + 1);
Fitness_List(1) = MinFitness_List(1);

tic
h = waitbar(0, ['已完成:0%   运算中...用时:', num2str(toc)]);

for g = 1:G_Max
    % 变异算子迭代
    lambda = exp(1 - G_Max / (G_Max + 1 - g));
    F = F0 * 2^lambda;
    % 差分变异操作
    for i = 1:N
        % 产生不同的r1，r2，r3
        r1 = randi([1, N], 1, 1);
        r2 = randi([1, N], 1, 1);
        r3 = randi([1, N], 1, 1);

        while (r1 == i)
            r1 = randi([1, N], 1, 1);
        end

        while (r2 == r1) || (r2 == i)
            r2 = randi([1, N], 1, 1);
        end

        while (r3 == i) || (r3 == r1) || (r3 == r2)
            r3 = randi([1, N], 1, 1);
        end

        V(i, :) = X(r1, :) + F * (X(r2, :) - X(r3, :));
    end

    % % 交叉操作1
    % % 该交叉操作是一次性对整个种群进行交叉，而不是针对单个个体
    % r = randi([1,D],1,1);
    % for d = 1:D
    %     if(rand<=CR)||(d==r)
    %         U(:,d) = V(:,d);
    %     else
    %         U(:,d) = X(:,d);
    %     end
    % end

    % 交叉操作2
    % 该交叉操作是对单个个体进行交叉，而不是一次性针对整个种群进行
    for n = 1:N
        r = randi([1, D], 1, 1);

        for d = 1:D

            if (rand <= CR) || (d == r)
                U(n, d) = V(n, d);
            else
                U(n, d) = X(n, d);
            end

        end

    end

    % 边界处理
    U = BoundaryLimit(U, X_Min, X_Max);
    % 自然选择

    U_Fitness = Fitness(U, N);
    Fitness_List(g + 1) = min(U_Fitness);
    for n = 1:N

        if X_Fitness(n) > U_Fitness(n)
            X(n, :) = U(n, :);
            X_Fitness(n) = U_Fitness(n);
        end

    end

    [MinFitness_List(g + 1), index_Min] = min(X_Fitness);
    Best_X = X(index_Min, :);
    
    if mod(g, WaitbarInter) == 0
        waitbar(g / G_Max, h, ['已完成:', num2str(g / G_Max * 100), ...
        '%   运算中...用时:', num2str(toc),'/',num2str(toc/(g / G_Max))]);
    end

end
close(h)

display(['The best solution obtained by DE is : ', num2str(Best_X)]);
display(['The best optimal value of the objective funciton found by DE is : ', num2str(MinFitness_List(end))]);
figure
semilogy(MinFitness_List,'linewidth',1.2)
hold on
semilogy(Fitness_List,'linewidth',1.2)
legend(['最小适应度变化'],['适应度变化'])
title('Convergence Curve')
xlabel('Iteration');
ylabel('Best score obtained so far');
axis tight
grid on
box on

% 目标函数
function result = Fitness(X, N)
    result = zeros(N, 1);

    for i = 1:N
        result(i) = sum(X(i, :).^2);
    end

end

% 边界限制函数
function result = BoundaryLimit(X, Min, Max)

    for i_temp = 1:length(X(:, 1))

        for j_temp = 1:length(X(1, :))

            if X(i_temp, j_temp) > Max
                X(i_temp, j_temp) = Max;
            end

            if X(i_temp, j_temp) < Min
                X(i_temp, j_temp) = Min;
            end

        end

    end

    result = X;
end
toc