差分进化算法

uperrua · 发表于 2021-3-18 16:39

EDA365欢迎您登录！

您需要登录才可以下载或查看，没有帐号？注册

x

一、简介
差分进化算法DE属于进化算法，这里算法还包括依次遗传算法、进化策略、进化规划。

差分进化算法包括三个基本的操作：变异操作、交叉（重组）操作和选择操作。

一、算法建模：

1、假设我们希望得到函数f(x)的最优解，这个函数有D个解。
2、为函数f(x)设置一个解的组数N，N至少为4。
3、这样我们就得到了N组并且每组解的个数为D的集合，它可以使用N个D维参数向量来表示。

因为它类似于遗传算法进化一样，是一代一代的进行进化，最终得到最优个体。所以上面G表示的就是代数。

形象表示如下：

二、初始化

为每个参数定义上界和下界

在上面的范围内随机的为每个参数取值。这样就得到了一个N组初始解。

三、变异

上面有N组解，对于一组给定的解X(i,G)随机的从这N组解中选择三组解X(r1,G)，X(r2,G)，X(r3,G)，r1，r2，r3分别代表组的索引，G表示代数，从第一代开始。

使用下面变异策略进行变异：

其中，F是变异因子，位于[0,2]之间。这样我们就可以得到一组新的解。

四、交叉

下面我们就会对得到的这组新解进行交叉操作了。

五、选择

从上面可以得到一组进化之后的解，为了决定这组解是否成为G+1代中的解，需要将这组新解跟原来那组解的适应度值进行比较，如果优于原来那组解则将它们替换掉，否则保留原来解。适应度值得计算使用的就是适应度函数f(x)。这个函数需要我们之前进行确定。

整个过程的流程图如下：

二、源代码

function demo1
%DEMO1 Demo for usage of DIFFERENTIALEVOLUTION.
% Set title
optimInfo.title = 'Demo 1 (Rosenbrock''s saddle)';
% Specify objective function
objFctHandle = @rosenbrocksaddle;
% Define parameter names, ranges and quantization:
% 1. column: parameter names
% 2. column: parameter ranges
% 3. column: parameter quantizations
% 4. column: initial values (optional)
paramDefCell = {
'parameter1', [-3 3], 0.01
'parameter2', [-3 3], 0.01
};
% Set initial parameter values in struct objFctParams
objFctParams.parameter1 = -2;
objFctParams.parameter2 = 2.5;
% Set single additional function parameter
objFctSettings = 100;
% Get default DE parameters
DEParams = getdefaultparams;
% Set number of population members (often 10*D is suggested)
DEParams.NP = 20;
% Do not use slave processes here. If you want to, set feedSlaveProc to 1 and
% run startmulticoreslave.m in at least one additional Matlab session.
DEParams.feedSlaveProc = 0;
% Set times
DEParams.maxiter = 20;
DEParams.maxtime = 30; % in seconds
DEParams.maxclock = [];
% Set display options
DEParams.infoIterations = 1;
DEParams.infoPeriod = 10; % in seconds
% Do not send E-mails
emailParams = [];
% Set random state in order to always use the same population members here
setrandomseed(1);
% Start differential evolution
[bestmem, bestval, bestFctParams, nrOfIterations, resultFileName] = differentialevolution(...
DEParams, paramDefCell, objFctHandle, objFctSettings, objFctParams, emailParams, optimInfo); %#ok
disp(' ');
disp('Best parameter set returned by function differentialevolution:');
disp(bestFctParams);
% Continue optimization by loading result file
if DEParams.saveHistory
disp(' ');
disp(textwrap2(sprintf(...
'Now continuing optimization by loading result file %s.', resultFileName)));
disp(' ');
DEParams.maxiter = 100;
DEParams.maxtime = 60; % in seconds
[bestmem, bestval, bestFctParams] = differentialevolution(...
DEParams, paramDefCell, objFctHandle, objFctSettings, objFctParams, emailParams, optimInfo, ...
resultFileName); %#ok
disp(' ');
disp('Best parameter set returned by function differentialevolution:');
disp(bestFctParams);
end0 d% M7 Q `5 t% ]* Z. s. V

三、运行结果

youOK · 发表于 2021-3-18 17:26

差分进化算法

帐号		自动登录	找回密码
密码			注册

差分进化算法

EDA365欢迎您登录！

浏览过的版块

推荐内容 /1