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

结果：

以上转载自：http://blog.csdn.net/hehainan_86/article/details/38685231

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