差分进化算法原理及matlab代码实现

差分进化算法介绍：

在自然界中，遗传，变异，选择的作用，使得生物体优胜略汰，不断由低级向高级进化，人们发现适者生存这一规律可以模式化，从而构成一些列优化算法。差分进化算法就是从这种模式中产生的一种智能优化算法。差分进化算法是基于群体只能理论的优化算法，与进化算法相比，保留了基于种群的全局搜索策略，采用实数编码，基于差分的简单变异操作操作和“一对一”的竞争生存策略。降低了操作的复杂性，差分进化算法特有的记忆能力使其可以动态的跟踪当前的搜索情况，以调整其搜索策略，具有较强的收敛能力和稳健性，且不需要借助问题的特侦信息。

算法流程：

1. 初始化:(与遗传算法类似)

种群中的个体可以表示为：(种群大小为NP)

$x_{i}=(d_{i,1},d_{i,2},d_{i,k}...d_{i,D})$

其中： i=1,2,....NP

初始种群一般在给定的约束边界内随机生成

2. 变异

对于种群中每个个体 $x_{i}$ ，差分进化算法的变异向量按照下面的方式产生：

$v_{i}=x_{r_{1}}+F(x_{r_{2}}-x_{r_{3}})$

其中： $r_{1}, r_{2},r_{3}$ 在种群中随机选择且 $r_{1}\neq r_{2}\neq r_{3}\neq i$ ，参数 $0\leq F\leq 2$ ，用于控制偏差的放大作用。

除此之外，偏差向量还可以由其他的方式产生：表示方法：DE/x/y/z, x当前被变异的向量是随机的还是最优的，y差向量的个数，z交叉程序的操作方法（bin）

DE/best/1/bin:

$v_{i}=x_{best}+F(x_{r1}-x_{r2})$

DE/rand-to-best/1/bin:

$v_{i}=x_{i}+\lambda (x_{best}-x_{i})+F(x_{r1}-x_{r2})$

DE/best/2/bin:

$v_{i}=x_{best}+F(x_{r1}-x_{r2}+x_{r3}-x_{r4})$

DE/rand/2/bin:

$v_{i}=x_{r5}+F(x_{r1}-x_{r2}+x_{r3}-x_{r4})$

3. 交叉

这里的交叉和遗传算法的交叉操作有所区别，这里的交叉操作是针对整个种群的某一维度，而遗传算法中的交叉是针对种群中的每一个个体。

4.选择：

差分进化算法按照贪婪准则，从实验种群u中选择个体作为下一代种群x中的个体，具体的选择方式是：

其中：fit(x)为x的适应度。

5. 边界条件处理：
对于这一类的算法，通常会对种群中的个体执行一些列的操作(如交叉，变异),这会导种群中个体的范围(即决策变量的范围)超出给定的范围，所以需要对上述操作后所得到种群进行边界条件检查和处理，对于边界之外的个体一般有两种处理方法：
1. 边界吸收：

假设x的范围是x_max, x_min, x'是经过变异或者交叉操作后所得的新的个体：则新个体的边界检查和处理规则为：

2. 重新随机生成新的个体：

基本差分进化算法的流程：

算法中的参数：

1. 种群大小NP

2. 变异算子F ，

一般取[0,2],决定偏差向量的放大比例。F过小，造成算法早熟，F过大，导致算法的收敛性变差

3.交叉算子CR

4. 进化代数G

5.终止条件

matlab代码实现：

测试函数为：

取n=10,决策变量的范围为[-20,20]

 close all;
clear all;
clc;
NP=50;
D=10;        % 染色体长度
G=200;
F0=0.4;
CR=0.1;
a=-20;     % 寻优区间
b=20;
yz=10^-6;
 
x=zeros(NP,D);    % 初始种群
v=zeros(NP,D);    % 变异种群
u=zeros(NP,D);    % 选择种群
%   种群怫初值
x=rand(NP,D)*(b-a)+a;
%   计算目标参数
for i=1:1:NP
    ob(i)=sum(x(i,:).^2);  
end
trace(1)=min(ob);
%          差分进化循环
for gen=1:G
    %   变异操作
    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==r1)||(r2==m)
            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
        %  产生不同的r1,r2,r3
        
        v(m,:)=x(r1,:)+F0*(x(r2,:)-x(r3,:));
 
    end
    
    %   交叉操作
    
    r=randi([1,D],1,1);   % 这个变异是针对整个种群的变异，不正对单个个体
    for n=1:D
        cr=rand;
        if (cr<=CR)||(n==r)
            u(:,n)=v(:,n);
        else
            u(:,n)=x(:,n);
        end
    end
    %     边界条件处理
    for m=1:NP
        for n=1:D
            if u(m,n)<a
                u(m,n)=a;
            end
            if u(m,n)>b
                u(m,n)=b;
            end
        end
    end
    
    % 自然选择
    % 计算新的适应度
    for m=1:NP
        ob_1(m)=sum(u(m,:).^2);
    end
    
    for m=1:NP
        if ob_1(m)<ob(m)
            x(m,:)=u(m,:);
        else
            x(m,:)=x(m,:);
        end
        
    end
    % 现在x为经过选择后的种群
    for m=1:NP
        ob(m)=sum(x(m,:).^2);
    end
    
    trace(gen+1)=min(ob);
    tt=min(ob);
end
 
x(1,:);
 
figure(1);
title(['差分进化算法(DE)', '最小值: ', num2str(tt)]);
xlabel('迭代次数'); 
ylabel('目标函数值');
plot(trace);

寻优结果：

差分进化算法的该改进：

自适应差分进化算法：

差分进化算法的变异系数F的确定：在实际的应用中，若果F取为常数，F过大，则会导致算法的收敛速度变慢，求得的全局最优解精度降低，F过小，会导致种群的多样性降低，出现早熟，所以可以将参数F设置为一个随着迭代次数变化的值，在迭代初期的时候，F较大，可以保持种群的多样性，随着迭代次数的增加，F减小，能够保存优良的种群信息，避免破坏最优解。

自适应算子如下所示：

其中Gm表示最大迭代次数，G表示当前迭代次数

变异系数F表示为：

改进的差分进化算法：

 clear all;
close all;
clc;
NP=40;    % 种群大小
G=100;    % 迭代次数
D=2;      % 决策变量个数
F0=0.3;   % 初始的变异系数
CR=0.5*(1+rand());
X_min=-100;
X_max=100;
 
% 偏差向量的生成方式
DE_vector = 4;
% DE_vector=1,2,3,4,0
% DE_vector=0    表示DE/best/1/bin
% DE_vector=1    表示DE/best/1/bin
% DE_vector=2    表示DE/rand-to-best/1/bin
% DE_vector=3    表示DE/best/2/bin
% DE_vector=4    表示DE/rand/2/bin
 
mode = 'Schaffer';    % 测试函数
% mode = 'self_define';
 
if strcmp(mode, 'Schaffer')
    figure(1)
    x = -4:0.1:4;
    y = -4:0.1:4;
    [X,Y] = meshgrid(x,y);
    % Z = 3*cos(X.*Y)+X+Y.^2;
    Z = 0.5-((sin(sqrt(X.^2+Y.^2)).^2)-0.5)./(1+0.001.*(X.^2+Y.^2)).^2;
    surf(X,Y,Z);
    title('Schaffer Function');
    xlabel('X-轴');
    ylabel('Y-轴');
    zlabel('Z-轴');
    
    figure(2);
    contour(X, Y, Z, 8);
    title('Schaffer函数等高线');
    xlabel('X-轴');
    ylabel('Y-轴');
end
 
if strcmp(mode, 'self_define')
    figure(1);
    x = -4:0.1:4;
    y = -4:0.1:4;
    [X,Y] = meshgrid(x,y);
    % Z = 100.*(Y-X.^2).^2+(1-X).^2;
    Z = (cos(X.^2+Y.^2)-0.1)./(1+0.3*(X.^2+Y.^2).^2)+3;
    surf(X,Y,Z);
    %title('Rosen Brock valley Function');
    title('Self define Function');
    xlabel('X-轴');
    ylabel('Y-轴');
    zlabel('Z-轴');
end
 
%   种群初始化
x=zeros(NP,D);
v=zeros(NP,D);
u=zeros(NP,D);
x=X_min + (X_max-X_min)*rand(NP,D);
for gen=1:1:G
    for i=1:1:NP
        ob(i) = func(x(i,:), mode);
    end
    [fitness_max, index] = max(ob);
    lamb(gen) = exp(1-(G/(G+1-gen)));
    F = F0*2^lamb(gen);
    %   变异
    if(DE_vector==0)
        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==r1)||(r2==m)
                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,:));   % DE/best/1bin
        end
    elseif(DE_vector==1)
        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==r1)||(r2==m)
                r2=randi([1,NP],1,1);
            end 
            v(m,:)=x(index,:)+x(r1,:)+F*(x(r1,:)-x(r2,:)); 
        end
    elseif(DE_vector==2)
       lambda = 0.35;
       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==r1)||(r2==m)
                r2=randi([1,NP],1,1);
            end 
            v(m,:)=x(m,:)+lambda*(x(index,:)-x(m,:))+F*(x(r1,:)-x(r2,:)); 
       end
    elseif(DE_vector==3)
       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==r1)||(r2==m)
                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
            
            r4=randi([1,NP],1,1);
            while (r4==m)||(r4==r3)||(r4==r2)||(r4==r1)
                r4=randi([1,NP],1,1);
            end
            
            v(m,:)=x(index,:)+F*(x(r1,:)-x(r2,:)+x(r3,:)-x(r4,:));
       end
    else
        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==r1)||(r2==m)
                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
            
            r4=randi([1,NP],1,1);
            while (r4==m)||(r4==r3)||(r4==r2)||(r4==r1)
                r4=randi([1,NP],1,1);
            end
            
            r5=randi([1,NP],1,1);
            while (r5==m)||(r5==4)||(r5==r3)||(r5==r2)||(r5==r1)
                r5=randi([1,NP],1,1);
            end
            v(m,:)=x(r5,:)+F*(x(r1,:)-x(r2,:)+x(r3,:)-x(r4,:));
       end
    end
    
    %  交叉操作
    r=randi([1,D],1,1);
    for i=1:D
        cr=rand;
        if (cr<=CR)||(i==r)
            u(:,i)=v(:,i);
        else
            u(:,i)=x(:,i);
        end
    end
   
    % 边界条件处理
    for m=1:NP
        for n=1:D
            if u(m,n)<X_min
                u(m,n)=X_min;
            end
            
            if u(m,n)>X_max
                u(m,n)=X_max;
            end
        end
    end
    
    %  自然选择
    for i=1:NP
        ob_1(i)=func(u(i,:), mode);
    end
    
    for i=1:NP
        if ob_1(i)>ob(i)
            x(i,:)=u(i,:);
        else
            x(i,:)=x(i,:);
        end
    end
    trace(gen+1)=fitness_max;    
end
 
 
figure(3);
% plot(trace);
title('差分进化算法');
xlabel('迭代次数');
ylabel('目标函数值');
plot(trace);
 
 
function f=func(buf, md)
    if strcmp(md, 'Schaffer')
        f=0.5-((sin(sqrt(buf(1).^2+buf(2).^2)).^2)-0.5)./(1+0.001.*(buf(1).^2+buf(2).^2)).^2;
    end
    
    if strcmp(md,'self_define')
        % f = 100*(buf(2)-buf(1).^2).^2+(1-buf(1)).^2;
        f = (cos(buf(1).^2+buf(2).^2)-0.1)./(1+0.3*(buf(1).^2+buf(2).^2).^2)+3;
    end
end

测试函数：

适应度进化曲线：

源代码中只是添加了典型的测试函数，参数只是粗略设置一下。对于其他的测试函数。可以在原代码中添加，并且修改源代码中的一些参数来得到算法最好的性能。

posted @ 2019-04-23 19:40 Alpha205 阅读(1561) 评论(0) 编辑收藏举报

刷新页面返回顶部

登录后才能查看或发表评论，立即登录或者逛逛博客园首页

阅读排行：
· 全程不用写代码，我用AI程序员写了一个飞机大战
· DeepSeek 开源周回顾「GitHub 热点速览」
· 记一次.NET内存居高不下排查解决与启示
· 物流快递公司核心技术能力-地址解析分单基础技术分享
· .NET10 - 预览版1新功能体验（一）

公告

昵称： Alpha205
园龄： 4年10个月
粉丝： 0
关注： 2

+加关注

2025年3月

日

一

二

三

四

五

六

随笔分类

随笔档案

阅读排行榜

评论排行榜

1. Qt的Assistant制作自定义的软件帮助界面(记录)(3)

途径北海道

差分进化算法原理及matlab代码实现

差分进化算法介绍：

公告

搜索

常用链接

我的标签

随笔分类

随笔档案

阅读排行榜

评论排行榜

推荐排行榜

最新评论

	close all;
	clear all;
	clc;
	NP=50;
	D=10; % 染色体长度
	G=200;
	F0=0.4;
	CR=0.1;
	a=-20; % 寻优区间
	b=20;
	yz=10^-6;

	x=zeros(NP,D); % 初始种群
	v=zeros(NP,D); % 变异种群
	u=zeros(NP,D); % 选择种群
	% 种群怫初值
	x=rand(NP,D)*(b-a)+a;
	% 计算目标参数
	for i=1:1:NP
	ob(i)=sum(x(i,:).^2);
	end
	trace(1)=min(ob);
	% 差分进化循环
	for gen=1:G
	% 变异操作
	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==r1)\|\|(r2==m)
	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
	% 产生不同的r1,r2,r3

	v(m,:)=x(r1,:)+F0*(x(r2,:)-x(r3,:));

	end

	% 交叉操作

	r=randi([1,D],1,1); % 这个变异是针对整个种群的变异，不正对单个个体
	for n=1:D
	cr=rand;
	if (cr<=CR)\|\|(n==r)
	u(:,n)=v(:,n);
	else
	u(:,n)=x(:,n);
	end
	end
	% 边界条件处理
	for m=1:NP
	for n=1:D
	if u(m,n)<a
	u(m,n)=a;
	end
	if u(m,n)>b
	u(m,n)=b;
	end
	end
	end

	% 自然选择
	% 计算新的适应度
	for m=1:NP
	ob_1(m)=sum(u(m,:).^2);
	end

	for m=1:NP
	if ob_1(m)<ob(m)
	x(m,:)=u(m,:);
	else
	x(m,:)=x(m,:);
	end

	end
	% 现在x为经过选择后的种群
	for m=1:NP
	ob(m)=sum(x(m,:).^2);
	end

	trace(gen+1)=min(ob);
	tt=min(ob);
	end

	x(1,:);

	figure(1);
	title(['差分进化算法(DE)', '最小值: ', num2str(tt)]);
	xlabel('迭代次数');
	ylabel('目标函数值');
	plot(trace);