【DE算法】差分进化算法原理及matlab代码

差分进化算法DE与遗传算法GA非常类似，下面是差分进化算法的步骤。

算法步骤如下：

1. 初始化

   

2. 变异
   

3. 交叉

   

d.选择

测试函数：

Rastrigr函数  

                 

全局最优点: ,       

matlab代码如下：

[plain] view plain copy

1. function DE(Gm,F0)  
2.   
3. t0 = cputime;  
4. %差分进化算法程序  
5. %F0是变异率 %Gm 最大迭代次数  
6. Gm = 10000;  
7. F0 = 0.5;  
8. Np = 100;  
9. CR = 0.9;  %交叉概率  
10. G= 1; %初始化代数  
11. D = 10; %所求问题的维数  
12. Gmin = zeros(1,Gm); %各代的最优值  
13. best_x = zeros(Gm,D); %各代的最优解  
14. value = zeros(1,Np);  
15.   
16. %产生初始种群  
17. %xmin = -10; xmax = 100;%带负数的下界  
18. xmin = -5.12;  
19. xmax = 5.12;  
20. function y = f(v)  
21.     %Rastrigr 函数  
22. y = sum(v.^2 - 10.*cos(2.*pi.*v) + 10);  
23. end  
24.   
25. X0 = (xmax-xmin)*rand(Np,D) + xmin;  %产生Np个D维向量  
26. XG = X0;  
27.   
28. %%%%%%%%%%%%%----这里未做评价，不判断终止条件----%%%%%%%%%%%%%%%%%%%%%%%%  
29.   
30. XG_next_1= zeros(Np,D); %初始化  
31. XG_next_2 = zeros(Np,D);  
32. XG_next = zeros(Np,D);  
33.   
34. while G <= Gm   
35. G   
36. %%%%%%%%%%%%%%%%%%%%%%%%----变异操作----%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
37.     for i = 1:Np  
38.         %产生j,k,p三个不同的数  
39.         a = 1;  
40.         b = Np;  
41.         dx = randperm(b-a+1) + a- 1;  
42.         j = dx(1);  
43.         k = dx(2);  
44.         p = dx(3);  
45.         %要保证与i不同  
46.         if j == i  
47.             j  = dx(4);  
48.             else if k == i  
49.                  k = dx(4);  
50.                 else if p == i  
51.                     p = dx(4);  
52.                     end  
53.                 end  
54.          end  
55.           
56.         %变异算子  
57.         suanzi = exp(1-Gm/(Gm + 1-G));  
58.         F = F0*2.^suanzi;  
59.         %变异的个体来自三个随机父代  
60.          
61.         son = XG(p,:) + F*(XG(j,:) - XG(k,:));         
62.         for j = 1: D  
63.             if son(1,j) >xmin  & son(1,j) < xmax %防止变异超出边界  
64.                 XG_next_1(i,j) = son(1,j);  
65.             else  
66.                 XG_next_1(i,j) = (xmax - xmin)*rand(1) + xmin;  
67.             end  
68.         end  
69.     end  
70.    %%%%%%%%%%%%%%%%%%%%%%%---交叉操作----%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
71.       
72.       
73.     for i = 1: Np  
74.         randx = randperm(D);% [1,2,3,...D]的随机序列     
75.         for j = 1: D  
76.               
77.             if rand > CR & randx(1) ~= j % CR = 0.9   
78.                 XG_next_2(i,j) = XG(i,j);  
79.             else  
80.                 XG_next_2(i,j) = XG_next_1(i,j);  
81.             end  
82.         end  
83.     end  
84.       
85.     %%%%%%%%%%%%%%%%%%----选择操作---%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%  
86.     for i = 1:Np  
87.         if f(XG_next_2(i,:)) < f(XG(i,:))  
88.               
89.             XG_next(i,:) = XG_next_2(i,:);  
90.         else  
91.             XG_next(i,:) = XG(i,:);  
92.         end  
93.     end  
94.       
95.     %找出最小值  
96.     for i = 1:Np  
97.         value(i) = f(XG_next(i,:));  
98.     end  
99.     [value_min,pos_min] = min(value);  
100.       
101.     %第G代中的目标函数的最小值  
102.     Gmin(G) = value_min;     
103.     %保存最优的个体  
104.     best_x(G,:) = XG_next(pos_min,:);     
105.       
106.     XG = XG_next;      
107.     trace(G,1) = G;  
108.     trace(G,2) = value_min;  
109.     G = G + 1;  
110.     
111. end  
112.   [value_min,pos_min] = min(Gmin);  
113.   best_value = value_min  
114.   best_vector =  best_x(pos_min,:)    
115.   fprintf('DE所耗的时间为：%f \n',cputime - t0);  
116.   %画出代数跟最优函数值之间的关系图    
117.   plot(trace(:,1),trace(:,2));  
118.     
119. end  

结果：

以上转载自：https://i-blog.csdnimg.cn/blog_migrate/ab97ca1233c651e59cc510b3c4a0950b.png

DE算法的求解步骤：
(1)基本参数的设置，包括NP， F， CR
(2)初始化种群
(3)计算种群适应度值
(4)终止条件不满足时，进行循环，依次执行变异、交叉、选择运算，直到终止运算。

DE算法的流程图：

以上转载自：http://blog.csdn.net/misayaaaaa/article/details/54407548