維基百科

差分進化算法

差分進化算法（英語：differential evolution）又稱微分進化算法，是一種求解最佳化問題的進化算法。因為進化算法對於最佳化問題的要求極少，所以被視為一種後設啟發式算法（英語：metaheuristic）。雖然後設啟發式算法適用於多種最佳化問題，但是並不保證可以找到全局最優解。

差分進化算法被使用在多維度實數編碼的最佳化問題。因為此算法不使用問題的梯度資訊，故可解不可微分的最佳化問題。也因此，差分進化算法可用於不連續的，雜訊的，隨著時間改變的最佳化問題。

差分進化算法類似遺傳算法，包含變異，交叉操作，淘汰機制。本質上說，它是一種基於實數編碼的具有保優思想的貪婪遺傳算法[1]。而差分進化算法與遺傳算法不同之處，在於變異的部分是隨選兩個解成員變數的差異，經過伸縮後加入當前解成員的變數上，因此差分進化算法無須使用機率分佈產生下一代解成員 [2]。

算法的原理採用對個體進行方向擾動，以達到對個體的函數值進行下降的目的，同其他進化算法一樣，差分進化算法不利用函數的梯度信息，因此對函數的可導性甚至連續性沒有要求，適用性很強。同時，算法與粒子群優化有相通之處，但因為差分進化算法在一定程度上考慮了多變量間的相關性，因此相較於粒子群優化在變量耦合問題上有很大的優勢。由於差分進化算法在連續域優化問題的優勢已獲得廣泛應用，並引發進化算法研究領域的熱潮。算法的實現參考實現代碼部分[3]

歷史 編輯

  • 1995年3月，Storn與Price所撰寫的差分進化演算法技術報告，是差分進化演算法的起源[4]。
  • 1996年5月，Storn與Price在國際電機電子工程師學會演化計算研討會公開發表差分進化算法[5]。
  • 1997年12月，在全局最佳化國際學術期刊上刊出Storn與Price所著之差分進化算法論文[6]。
  • 2005年，Springer （頁面存檔備份，存於網際網路檔案館）出版Storn與Price所著之差分進化算法專書[7]。

演算法原理 編輯

差分進化演算法之目的為求解最佳化問題，使用突變、交叉、選擇計算以演化多個可能的解。首先，產生足量的隨機變數，做為初始的可能解。接著，依序進行突變、交叉、選擇計算，做完一輪後，檢查某個終止條件。若終止條件尚未滿足，則回到突變、交叉、選擇計算，否則終止差分進化演算法，輸出最後一輪的最佳解。

突變 編輯

在進化計算中，突變是用於產生隨機解的計算方法。

交叉 編輯

在突變之後，差分進化演算法使用交叉計算以增強隨機解的多樣性。

選擇 編輯

在交叉之後，差分進化演算法對隨機解做選擇，移除演化失敗的解，留下演化成功的解。選擇之後，進行突變計算，直到滿足某個終止條件。

實現代碼（MATLAB） 編輯 

tic
F = 0.9;
CR = .1;
n = 2; %问题维数，以简单的球函数为目标函数
NP = 30;
lu = [-10,-10 ;10 ,10]; %求解空间的上下界
LB = repmat(lu(1,:),NP,1);
UB = repmat(lu(2,:),NP,1);
%用于生成随机选择个体的表
tab = 1:NP; tab = tab(ones(1,NP),:)';
dig = 1:NP; D =(dig-1)*NP +(1:NP);
tab (D) = [];
tab = reshape(tab,NP-1,[])';
TAB = tab;
%测试次数
TIMES = 10;
Solve = zeros(1,TIMES);
numOfevol = zeros(1,TIMES);
for time = 1:TIMES
%
Result = []; %记录结果
rand('seed',sum(100*clock));
%
X = LB+rand(NP,n).*(UB-LB);
U = X;
%% 
fit = fitness (X); %首次评价
FES = NP;
while FES<n*10000
    %产生随机个体参与变异
    tab = TAB;
    rand1 = floor(rand(NP,1)*(NP-1))+1;
    rand2 = floor(rand(NP,1)*(NP-2))+2;
    rand3 = floor(rand(NP,1)*(NP-3))+3;
    RND1 =(rand1-1)*NP+(1:NP)';
    RND2 =(rand2-1)*NP+(1:NP)';
    RND3 =(rand3-1)*NP+(1:NP)';
    r1 = tab (RND1); tab (RND1)=tab(:,1);
    r2 = tab (RND2); tab (RND2)=tab(:,2);
    r3 = tab (RND3);
    % rand/one/变异模式
    V = X(r1,:) + F.*(X(r2,:)-X(r3,:)); 
    %越界检验
    BL = V<LB ; V(BL) = 2*LB(BL) - V(BL); 
    BLU = V(BL)>UB(BL); BL (BL) = BLU ; V(BL) = UB (BL);
    BU = V>UB;  V (BU) = 2*UB(BU) - V(BU);
    BUL = V(BU)<LB(BU); BU (BU) = BUL ; V(BU) = LB (BU);
    %交叉操作
    J_= mod(floor(rand(NP,1)*n),n)+1;
    J =(J_-1)*NP+(1:NP)';
    C = rand(NP,n)<CR;
    U (J) = V(J);
    U (C) = V(C);
    %评价子代
    fit_ = fitness (U);
    %比较并竞争
    S = fit_<fit;
    X(S,:) = U(S,:);
    fit(S) = fit_(S);
    %记录函数评价次数
    FES = FES + NP;
    %记录结果（用于绘图，并不是算法必要环节）
    Result = [Result ,min (fit)];
end
Solve (time) = min (fit);
%试验次数
plot(log10(Result),'b');hold on;
end
disp(['求解结果:',num2str(Solve)]);
toc
%附上球函数代码（新建一个M文件即可）
function Y = fitness (X)
Y = sum(X.^2 ,2);

參看 編輯

參考文獻 編輯

  1. ^ 劉波，王凌，金以慧差分進化算法研究進展，控制與決策，第22卷第7期,721-729
  2. ^ S. Das; P. N. Suganthan. Differential Evolution: A Survey of the State-of-the-Art. IEEE Transactions on Evolutionary Computation. Feb. 2011, 15 (1): 4–31 [2019-02-12]. doi:10.1109/TEVC.2010.2059031. （原始內容存檔於2021-03-08）. 
  3. ^ 代碼編寫及提供者：rongekuta@gmail.com
  4. ^ R. Storn; K. Price. Differential Evolution - a Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces. Technical Report TR-95-012, ICSI, March 1995. [2019-02-12]. （原始內容存檔於2020-06-09）. 
  5. ^ R. Storn; K. Price. Minimizing the real functions of the ICEC'96 contest by differential evolution. Proceedings of IEEE International Conference on Evolutionary Computation. Nagoya, Japan: 842–844. 20-22 May 1996 [2019-02-12]. doi:10.1109/ICEC.1996.542711. （原始內容存檔於2019-02-13）. 
  6. ^ R. Storn; K. Price. Differential Evolution – A Simple and Efficient Heuristic for global Optimization over Continuous Spaces. Journal of Global Optimization. Dec. 1997, 11 (4): 341–359 [2019-02-12]. doi:10.1023/A:1008202821328. （原始內容存檔於2021-03-08）. 
  7. ^ Price, K.; Storn, R.M.; Lampinen, J.A. Differential Evolution: A Practical Approach to Global Optimization. Springer. 2005. ISBN 978-3-540-20950-8. 

外部連結 編輯

取自「https://zh.wikipedia.org/w/index.php?title=差分进化算法&oldid=67881443」