差分进化算法-Differential Evolution P.S附Matlab代码

0.起因

一切还要从一只蝙蝠说起。抱歉扯远了，寒假在家闲来无事，总结一下一路以来的学习，从差分进化算法开始填坑，也造福一下之后在演化计算道路上学习的学弟学妹们。DE主要是解决非线性不可微的连续函数，之后的算法也都是如此，通过跑CEC测试函数集来检验是不是一个能抓到耗子的好猫。

1.DE步骤

• 首先要说明一下，DE是一种利用 NP 个 D 维度 参数向量的并行搜索方法，以 NP=100，D=30举例，可以理解为有一群体,共有100个个体，每个个体是30维的，进行搜索。故这个群体就可以用一个100*30维的二维数组进行存储；

• 每个个体可表示为：X(i,g) ,i=1,2,3…NP ; g为代数（generation)；

• 我们都知道DE是根据贪婪来选择个体的，也即：若新解优于旧解时，就接受。它通过将两个个体每个维度的向量差，乘以一个加权系数加在第三个个体上来形成新个体，这也就是差分的关键，也就是算法的Mutation步骤。在下面细讲。

  1.1 初始化

  随机生成一个群体，群体大小为NP，每个个体D维。对第i个个体的第j维度取值如下：

  • x_i,g^j=x_min+rand(0,1)*(x_max^j-x_min^j)

  1.2 变异

  对每一个x_i,g,生成变异个体v_i,g+1:

  • v_i,g+1^j = x_r1,g + F * ( x_r2,g - x_r3,g )

  其中，r1,r2,r3 是1~NP的随机数，且 r1 != r2 != r3 !=i ; F > 0 ;
  x_r2,g-x_r3,g就是差分向量，F为缩放因子。
  下图展示了通过一步步求取差分进行迭代从而达到最小值的过程。
  

  1.3 交叉

  交叉主要是为了增加种群的多样性，避免种群个体“近亲繁殖”，陷入局部最优，记交叉个体为u_i,g:

  • $$ui,g=\{\begin{array}{ll}vi,g& \text{rand<cr}\\ xi,g& \text{else}\end{array}$$其中 cr 为交叉概率，cr越大，交叉概率越高。
    

  1.4选择

贪婪地选取，若新个体好就替换旧个体，否则还保留旧个体。

• $$xi,g+1=\{\begin{array}{ll}ui,g& \text{f(u i(g)) < f(x i(g))}\\ xi,g& \text{else}\end{array}$$

Just show me the code:
P.S 目标函数简单的设置为:x^2,求最小值

NP=100; %种群规模
D=10; %个体维度
Max_Gm=1000;
x_min=-100;
x_max=100;
uF = 0.4;  %变异的控制参数
uCR = 0.1; %交叉的控制参数
x=zeros(NP,D); %初始个体
v=zeros(NP,D); %变异个体
u=zeros(NP,D); %交叉个体

%初始化
for i=1:NP
    for j=1:D
        x(i,j)=x_min+rand()*(x_max-x_min);
    end
end

% 计算目标参数
for t=1:NP
    f(t)=sum(x(t,:).^2);  %f为1*NP的矩阵，用来存储每一个个体的适应值
end

best(1)=min(f);  %best用来存储每一代的最优值

for Gm=1:Max_Gm
    %变异
    for m=1:NP
        r1=randi(NP);
        while(r1==m)
            r1=randi(NP);
        end
        r2=randi(NP);
        while(r1==r2||r2==m)
            r2=randi(NP);
        end
        r3=randi(NP);
        while(r1==r3||r2==r3||r3==m)
            r3=randi(NP);
        end
        v(m,:)=x(r1,:)+uF*(x(r2,:)-x(r3,:));
    end
    
    %交叉(针对整个种群)
    for n=1:D
        if(rand()<=uCR || n==randi(D))
            u(:,n)=v(:,n);
        end
        if(rand()>uCR && n~=randi(D))
            u(:,n)=x(:,n);
        end
    end
    
     %越界处理
    for h=1:NP
        for k=1:D
            if(x(h,k)<x_min||x(h,k)>x_max)
                x(h,k)=x_min+rand()*(x_max-x_min);
            end
        end
    end
    
 %选择
    for i=1:NP
        if(f(i)>=sum(u(i,:).^2))
            x(i,:)=u(i,:);
        else
            x(i,:)=x(i,:);
        end
    end
    
   %最终值
    for i=1:NP
        f(i)=sum(x(i,:).^2);
    end    
    
    best(Gm)=min(f);   
end

plot(best);

PPS写在最后:第一次使用Markdown编写博客，还没有上手，排版太丑，我尽量美化，还望大家多多包涵。