差分进化算法介绍.pdfVIP

差分进化算法介绍--第1页

差分进化算法介绍

1．差分进化算法背景

差分进化(DifferentialEvolution，DE)是启发式优化算法的一种，

它是基于群体差异的启发式随机搜索算法，该算法是RaincrStom和

KennethPrice为求解切比雪夫多项式而提出的。差分进化算法具有原

理简单、受控参数少、鲁棒性强等特点。近年来，DE在约束优化计算、

聚类优化计算、非线性优化控制、神经网络优化、滤波器设计、阵列

天线方向图综合及其它方面得到了广泛的应用。

差分算法的研究一直相当活跃，基于优胜劣汰自然选择的思想和

简单的差分操作使差分算法在一定程度上具有自组织、自适应、自学

习等特征。它的全局寻优能力和易于实施使其在诸多应用中取得成功。

2.差分进化算法简介

差分进化算法采用实数编码方式，其算法原理同遗传算法相似刚，

主要包括变异、交叉和选择三个基本进化步骤。DE算法中的选择策略

通常为锦标赛选择，而交叉操作方式与遗传算法也大体相同，但在变

异操作方面使用了差分策略，即：利用种群中个体间的差分向量对个

体进行扰动，实现个体的变异。与进化策略(Es)采用Gauss或Cauchy

分布作为扰动向量的概率密度函数不同，DE使用的差分策略可根据种

群内个体的分布自动调节差分向量(扰动向量)的大小，自适应好；DE

的变异方式，有效地利用了群体分布特性，提高了算法的搜索能力，

避免了遗传算法中变异方式的不足。

3.差分进化算法适用情况

差分进化算法是一种随机的并行直接搜索算法，最初的设想是用

于解决切比雪夫多项式问题，后来发现差分进化算法也是解决复杂优

化问题的有效技术。它可以对非线性不可微连续空间的函数进行最小

化。目前，差分进化算法的应用和研究主要集中于连续、单目标、无

约束的确定性优化问题，但是，差分进化算法在多目标、有约束、离

散和噪声等复杂环境下的优化也得到了一些进展。

4.基本DE算法

差分进化算法介绍--第1页

差分进化算法介绍--第2页

差分进化算法把种群中两个成员之间的加权差向量加到第三个成

员上以产生新的参数向量，这一操作称为“变异”。然后，变异向量

的参数与另外事先确

定的目标向量按一定规则混合产生试验向量，称为“交叉”。如

果实验向量代价函数比目标向量代价函数低，则实验向量则在下代中

替代目标向量。这一操作称为“选择”，种群中所有与成员必须作为

目标向量按这样操作一次，以在下代中出现相同个竞争者。进化过程

中对每一代都评价最佳参数向量，以记录最小化过程，以这种方式利

用随机偏差扰动产生新个体可以获得有较好收敛性的结果。

4.1初始化

DE用NP个维度为D的实数值参数向量为每代的种群，每个个体

表示为：(1,2,,)iNP=（1）

其中，i为个体在种群中的序列；G为进化代数；NP为种群规模，

在最小化过程中NP保持不变。

种群首先要被初始化已建立优化搜索的初始点。可以从给定边界

约束内的值中随机选择以寻找初始种群。在差分算法中，一般假设所

有随机初始化种群都符

合均匀概率分布。假设参数变量界限为L

Ujjjxxx≤≤，有：﹤

,0[0,1](+,(1,2,,;1,2,,)ULLjijjjxrandxxxiNPjD=-==）(2)

其中：rand[0,1]—在[0,1]之间产生的均匀随机数。如果能够得到