DE algorithm 差分进化算法详解

最新推荐文章于 2025-11-01 11:12:09 发布

原创

最新推荐文章于 2025-11-01 11:12:09 发布 · 1.1w 阅读

44 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #进化计算 #DE算法 #遗传算法

差分进化算法(DE)是一种适用于非线性、不可微问题优化的遗传算法，以其速度快、鲁棒性好著称。算法主要包括生成初始种群、变异、交叉和选择四个步骤。在变异阶段，通过F缩放因子和随机选取的三个个体生成新变异个体；交叉阶段使用CR交叉概率决定目标个体和变异个体的组合；选择阶段依据评估函数选择优胜个体进入下一代种群。DE算法广泛应用于多变量函数优化问题。

终于成为了正式的研究生，继续更新博客~
最近看论文的时候遇到了差分进化算法 differential evolution algorithm，是一种遗传算法，但是其采用的是实数编码而不是二进制编码，相比起来更方便理解
这里记录下算法核心步骤以及个人的一些心得

differential evolution algorithm

首先要说明的是DE算法通常被用来求非线性、不可微问题的最优解，具有速度快，鲁棒性好的特点。简单来说，就是DE算法可以用来解决多变量的函数优化问题。
DE算法主要分为四大步骤：生成初始种群，变异，交叉和选择：

生成初始种群

在这一步，首先要给定的是个体的维数 $D$ ，个体数 $N P$ ，以及 $X_{L}$ 、 $X_{H}$ ，其中要说明的是， $X_{H}$ 、 $X_{L}$ 分别是个体，也就是 $D$ 维向量的上下限。如一个向量 ${x,y\}$ ， $x\in[0,1]$ ， $y\in[3,4]$ ，那么此时的 $X_{L} = \{0,3\}$ ， $X_{H} = \{1,4\}$ 。
要随机生成 $N P$ 个个体，组成初始种群：
$X_{i,0} = X_L + random[0,1]*(X_H- X_L)$

最低0.47元/天解锁文章