差分进化

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
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： X (0) { X 1 (0),, X N (0)} • 2.评价
计算 f ( X i (t ))
• 3.繁殖重组 对种群中的每个个体 X i (t ) ，随机生成三个互不相同的随机整数
r1 , r2 , r3 {1, 2,, N }
随机整数
jrand {1, 2, , n}
标准差分进化算法(DE/rand/1/bin)迭代 方式
( j) ( j) ( j) X ( t ) F ( X ( t ) X (t )),if rand [0,1] CRor j jrand ( r2 ) ( r3 ) ( r1 ) ( j) U i (t 1) ( j) X (t ),else i
些收敛速度会加快, 但易发生早熟现象。
差分进化算法
优缺点
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。
Байду номын сангаас
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 。
选择(Selection)
演化算法算法流程
开 始
根据实际问题进行编码
设置参数
问题
1、遗传操作象
遗传操作， 生成新种群
种群中所有个体 种群中部分个体
生成初始种群
计算个体适应值
2、遗传操作顺序
重叠 非重叠
是否满足进 化终止条件
否
3、新种群重组方式
是
算法结束， 输出最优个体
一般演化算法的过程
'
• 产生子代
• 4.选择
U i (t 1),if f (vi (t )) f ( X i (t )), X i (t 1) X i (t )else;
• 如果 X i (t 1) 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。
on） 复制（reproducti mutation ） 变异（ DE crossover） 交叉（ select ion ） 选择（
遗传操作
变异(Mutation)
交叉(Crossover)
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（trial vector），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
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）
差分进化（DE）算法
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：