差分进化

受生物进化的启发:•一般的进化算法包括以下部分：•进化算法也包括了遗传算法（GA），进化策略（ES）和进化规划（EP）它是由Price和Storn于1995年提出的，和其它演化算法一样，DE是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。DE的核心组成部分如下：差分进化（DE）算法）选择（）交叉（）变异（）复制（selectioncrossmutationonreproductiDEover变异(Mutation)交叉(Crossover)选择(Selection)遗传操作算法的基本思想：是从某一随机产生的初始群体开始，然后通过随机变异，交叉和选择等算子对群体进行演化。具体如下：1.利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体向量（mutant），该操作称为变异；2.然后，变异个体与某个预先决定的目标个体(父代个体)进行参数混合，生成试验个体（trialvector），这一过程称之为交叉；3.如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择根据实际问题进行编码开始设置参数生成初始种群计算个体适应值是否满足进化终止条件算法结束，输出最优个体遗传操作，生成新种群否是一般演化算法的过程问题1、遗传操作象种群中所有个体种群中部分个体2、遗传操作顺序重叠非重叠3、新种群重组方式演化算法算法流程标准差分进化算法(DE/rand/1/bin)迭代方式•1.初始化输入进化参数：种群规模N，交叉概率Pc，交叉因子F∈（0,1），进化代数G，自变量的上下界，随机初始种群：•2.评价计算•3.繁殖重组对种群中的每个个体，随机生成三个互不相同的随机整数随机整数1(0){(0),,(0)}NXXX(())ifXt()iXt123,,{1,2,,}rrrN{1,2,,}randjn标准差分进化算法(DE/rand/1/bin)迭代方式•产生子代•4.选择•如果满足终止条件就输出具有最优个体，如果不满足终止条件，就返回第二步，继续评价并重组。'123()()()()()()()()()(()()),[0,1](1)(),jjjrrrrandjijiXtFXtXtifrandCRorjjUtXtelse(1),(())(()),(1)();iiiiiUtiffvtfXtXtXtelse(1)iXt差分进化算法参数选取差分进化算法参数选取差异演化算法主要涉及群体规模N、缩放因子F以及交叉概率CR三个参数的设定。•N：一般介于5×n与10×n之间,但不能少于4,否则无法进行变异操作;•F：一般在[0,2]之间选择,通常取0.5;•CR：一般在[0,1]之间选择,比较好的选择应在0.3左右,CR大些收敛速度会加快,但易发生早熟现象。优点:差异演化在求解非凸、多峰、非线性函数优化问题表现极强的稳健性。在同样的精度要求下,差异演化算法收敛的速度快。差异演化算法尤其擅长求解多变量的函数优化问题。操作简单,易编程实现。缺点：由于差异演化的关键步骤变异操作是基于群体的差异向量信息来修正各个体的值,随着进化代数的增加,各个体之间的差异化信息在逐渐缩小,以至于后期收敛速度变慢,甚至有时会陷入局部最优点。优缺点差分进化算法DE的改进方法为了提高DE的寻优能力、加快收敛速度、克服启发式算法常见的早熟收敛现象，许多学者对DE算法进行改进:控制参数的改进。差分策略的改进。选择策略的改进。种群重构混合算法。DE的研究点DE还有很多方面有待完善，需要加强并进行深人研究：加强DE算法理论基础和系统分析方法的研究。加强DE各种改进方法的综合研究。加强DE与其他算法的结合。加强DE与应用的结合。