差分进化算法之Matlab实现「建议收藏」

差分进化算法之Matlab实现「建议收藏」一、介绍差分进化算法是模拟自然界生物种群以“优胜劣汰,适者生存”为原则的进化发展规律而形成的一种随机启发式搜索算法。其保留了基于种群的全局搜索策略,采用实数编码,基于差分的简单变异操作和一对一的竞争生存策略,比遗传算法更简单。同时,差分进化算法独特的记忆能力使其可以动态的跟踪当前的搜索情况,及时调整搜索测量,因此具有较强的全局收敛能力。目前为止,差分进化算法已经成为一种求解非线性,不可微,多极…

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全家桶1年46,售后保障稳定

一、介绍
差分进化算法是模拟自然界生物种群以“优胜劣汰,适者生存”为原则的进化发展规律而形成的一种随机启发式搜索算法。其保留了基于种群的全局搜索策略,采用实数编码,基于差分的简单变异操作和一对一的竞争生存策略,比遗传算法更简单。同时,差分进化算法独特的记忆能力使其可以动态的跟踪当前的搜索情况,及时调整搜索测量,因此具有较强的全局收敛能力。
目前为止,差分进化算法已经成为一种求解非线性,不可微,多极值和高维复杂函数的一种极其有效的方法。
在优化设计中,差分进化算法与传统的算法相比,具有以下特点:
1.差分进化算法从一个群体即多个点而不是从一个点开始搜索,这也是算法能够以较大的概率找到整体最优解的原因。
2.算法的进化准则是基于适应性信息的,不需要其他的辅助性信息,如要求函数可导,连续等。
3. 差分进化算法具有内在的并行性,适用于大规模并行分布处理,减小时间成本开销。
但缺点为:
1.算法后期个体之间的差异性减小,收敛速度慢,易陷入局部最优。
2.没有利用个体的先验知识,可能较多的迭代次数才能收敛到全局最优
算法框架:
在这里插入图片描述
(1)群体初始化
在n维空间里随机产生满足约束条件的M个个体
x i j ( 0 ) = x i j m i n + ( x i j m a x − x i j m i n ) ∗ r a n d ( 0 , 1 ) x_{ij}(0)=x_{ij_{min}}+(x_{ij_{max}}-x_{ij_{min}})*rand(0,1) xij(0)=xijmin+(xijmaxxijmin)rand(0,1)
其中, x i j m a x , x i j m i n x_{ij_{max}},x_{ij_{min}} xijmax,xijmin表示第 j j j个染色体的上下界。
(2) 变异
从群体中随机选择三个个体 x p 1 , x p 2 , x p 3 x_{p1},x_{p2},x_{p3} xp1,xp2,xp3且要求 i ≠ p 1 ≠ p 2 ≠ p 3 i\neq p1\neq p2\neq p3 i̸=p1̸=p2̸=p3,则:
h i j ( t + 1 ) = x p 1 j ( t ) + F ∗ ( x p 2 j ( t ) − x p 3 j ( t ) ) h_{ij}(t+1)=x_{p1j}(t)+F*(x_{p2j}(t)-x_{p3j}(t)) hij(t+1)=xp1j(t)+F(xp2j(t)xp3j(t))
如果没有局部优化的问题,变异操作为:
h i j ( t + 1 ) = x b j ( t ) + F ∗ ( x p 2 j ( t ) − x p 3 j ( t ) ) h_{ij}(t+1)=x_{bj}(t)+F*(x_{p2j}(t)-x_{p3j}(t)) hij(t+1)=xbj(t)+F(xp2j(t)xp3j(t))
其中, x p 2 j ( t ) − x p 3 j ( t ) x_{p2j}(t)-x_{p3j}(t) xp2j(t)xp3j(t)为差异化向量,是差分进化算法的关键;F为变异因子;P1,P2,P3为随机整数,表示个体在种群中的序号; x b j x_{bj} xbj是当前种群中最好的个体,这一步借鉴了当前种群中最好的个体信息,可以大大加快收敛速度
(3) 交叉
交叉操作可以增加群体的多样性
v i j ( t + 1 ) = { h i j ( t + 1 ) , r a n d    l i j ≤ C R h x i j ( t ) , r a n d    l i j > C R   v_{ij}(t+1)=\left\{ \begin{array}{c} h_{ij}(t+1),rand\; l_{ij} \leq CR\\ hx{ij}(t),rand\; l_{ij}>CR\ \end{array}\right. vij(t+1)={
hij(t+1),randlijCRhxij(t),randlij>CR 

CR为交叉因子。
(4) 选择操作
为了确定 x i ( t + 1 ) x_i(t+1) xi(t+1)是否成为下一代的成员,我们需要对目标向量和当前的向量的适应度值进行比较,具体由适应度函数决定:
x i ( t + 1 ) = { v i ( t + 1 ) , f ( v i 1 ( t + 1 ) , . . . v i n ( t + 1 ) ) < f ( x i 1 ( t ) , . . . , x i n ( t ) ) x i ( t + 1 ) , f ( v i 1 ( t + 1 ) , . . . v i n ( t + 1 ) ) ≥ f ( x i 1 ( t ) , . . . , x i n ( t ) )   x_{i}(t+1)=\left\{ \begin{array}{c} v_{i}(t+1),f(v_{i1}(t+1),…v_{in}(t+1)) <f(x_{i1}(t),…,x_{in}(t))\\ x_{i}(t+1),f(v_{i1}(t+1),…v_{in}(t+1))\geq f(x_{i1}(t),…,x_{in}(t)) \ \end{array}\right. xi(t+1)={
vi(t+1),f(vi1(t+1),...vin(t+1))<f(xi1(t),...,xin(t))xi(t+1),f(vi1(t+1),...vin(t+1))f(xi1(t),...,xin(t)) 

通过反复执行步骤(2)到(4),直至达到最大的迭代次数。
二、参数设置
1.变异因子F
变异因子是控制种群多样性和收敛性的重要参数,当F值较小时,种群之间的差异度小,容易使得种群过早的收敛于局部最小值,当F过大时,容易跳出局部最优解,但是收敛速度会减慢。F一般在[0,2]之间取值。
2.交叉因子CR
交叉因子可以控制个体参数的各维对交叉的参与程度,全局搜索和局部搜索能力的平衡。CR越小,种群多样性减小,容易收敛于局部最优解。CR越大,收敛速度变快,但过大,扰动大于群体差异度时,会导致收敛变慢。CR一般取[0,1]之间。
3.群体规模Size
Size一般为5D和10D之间,D时求解的维度。Size越大,获得最优解的概率越大,但计算时间增长。
4.迭代次数G
G 一般作为近化过程的终止条件,G越大,最优解越精准。当然终止条件也可以由适应度函数给出。
三、matlab代码
以函数
f ( x , y ) = − 20 e − 0.2 ( x 2 + y 2 ) / 2 − e ( c o s 2 π x + c o s 2 π y ) / 2 + e f(x,y)=-20e^{-0.2\sqrt{({x^2+y^2})/2}}-e^{({cos2\pi x+cos2 \pi y})/2}+e f(x,y)=20e0.2x2+y2/2
e(cos2πx+cos2πy)/2+e
为例
三维图为:
在这里插入图片描述
可见该函数是多极值的。函数全局最优解为max(max(f(x,y)))=-19.2926,使用一般的算法,极易陷入局部的最优解。
使用差分进化算法,结果为-19.2523,与真实值十分的接近。
适应度函数变化曲线为:
在这里插入图片描述
matlab代码为:

% clear all;
% close all;
%
size=50;%群体个数
Codel=2;%所求的变量个数
 MinX(1)=-5;%未知量范围
 MinX(2)=-5;
 MaxX(1)=5;
 MaxX(2)=5;
 G=200;%迭代次数
 F=1.2;%变异因子[0 2]
 cr=0.8;%交叉因子[0.6 0.9]
 %初始化种群
 for i=1:1:Codel
 P(:,i)=MinX(i)+(MaxX(i)-MinX(i))*rand(size,1);    
 end
 
 Best=P(1,:);%全局最优个体 之后不断更新
  for i=2:size
     if(fun_DE(P(i,1),P(i,2))>fun_DE(Best(1),Best(2)))
         Best=P(i,:);
     end
  end
  fi=fun_DE(Best(1),Best(2));%不是C语言 一定要记得给初始变量否则程序跑飞
  %%进入循环直到满足精度要求或者迭代次数达到
  for Kg=1:1:G
     time(Kg)=Kg;
     %第二步 变异
      for i=1:size
          r1=1;r2=1;r3=1;r4=1;%使得个体满足变异条件
          while(r1==r2||r1==r3||r1==r4||r2==r3||r2==r4||r3==r4||r1==i||r2==i||r3==i||r4==i)
            r1=ceil(size*rand(1));%大小匹配 
            r2=ceil(size*rand(1));
            r3=ceil(size*rand(1));
            r4=ceil(size*rand(1));
          end
          h(i,:)=P(r1,:)+F*(P(r2,:)-P(r3,:));
          %h(i,:)=Best+F*(P(r2,:)-P(r3,:));
          for j=1:Codel %检查是否越界
              if(h(i,j)<MinX(j))
                  h(i,j)=MinX(j);
              elseif(h(i,j)>MaxX(j)) 
                  h(i,j)=MaxX(j);
              end
          end
          %交叉
        for j=1:Codel
        temper=rand(1);
        if(temper<cr)
            v(i,j)=h(i,j);
        else
            v(i,j)=P(i,j);
        end
        end
        %选择
        if(fun_DE(v(i,1),v(i,2))>fun_DE(P(i,1),P(i,2)))
            P(i,:)=v(i,:);
        end
        if(fun_DE(P(i,1),P(i,2))>fi)
            fi=fun_DE(P(i,1),P(i,2));
            Best=P(i,:);
        end
      end
      Best_f(Kg)=fun_DE(P(i,1),P(i,2));
      
  end
  fprintf('最优解结果为%f,%f',Best(1),Best(2));
   fprintf('最大函数值为%f',Best_f(Kg));
   plot(time,Best_f(time));

Jetbrains全家桶1年46,售后保障稳定

适应度函数

function J=fun_DE(x1,x2)
% J=100*(x1^2-x2)^2+(1-x1)^2;
J=-20*exp((0.2*sqrt((x1^2+x2^2)/2)))-exp((cos(2*pi*x1)+cos(2*pi*x2))/2)+exp(1);
end
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/206640.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)


相关推荐

  • SpringBoot自动装配原理(简单易懂)

    SpringBoot自动装配原理(简单易懂)1、什么是自动装配自动装配就是把别人(官方)写好的config配置类加载到spring容器,然后根据这个配置类生成一些项目需要的bean对象。(小声逼逼:就像我们自己在项目了写的config配置类一样的,只不过这个是别人写好的,你什么都不用管)2、自动装配的开关在哪里@SpringBootApplication|–@EnableAutoConfiguration|–@Import({AutoConfigurationImportSelector.class})在@Spri

  • 2021pycharm激活码3月最新在线激活[通俗易懂]

    2021pycharm激活码3月最新在线激活,https://javaforall.cn/100143.html。详细ieda激活码不妨到全栈程序员必看教程网一起来了解一下吧!

  • python 字典最外层使用_python字典底层实现

    python 字典最外层使用_python字典底层实现前言问题1:python中的字典到底是有序还是无序问题2:python中字典的效率如何python字典底层原理在Python3.5以前,字典是不能保证顺序的,键值对A先插入字典,键值对B后插

  • enableEventValidation

    enableEventValidation回发或回调参数无效。在配置中使用或在页面中使用启用了事件验证。出于安全目的,此功能验证回发或回调事件的参数是否来源于最初呈现这些事件的服务器控件。如果数据有效并且是预期的,则使用ClientS

  • ASP.NET知识点总结[通俗易懂]

    ASP.NET知识点总结[通俗易懂]ASP.NET知识点总结1、ASP.Net的特色与优势2、几对概念3、解决方案构成4、系统对象与状态管理5、控件的分类6、站点地图7、系统导航8、母版页9、系统框架10、数据绑定11、数据源控件12、数据绑定控件GridView数据查询与展示、删除DetailsView展示多选光棒效果13、数据验证控件14、文件上载15、其他服务器控件DataList查询与展示16、基于SQL语句分页17…

  • 台式计算机连不上网,台式机插上网线连不上网怎么办?[通俗易懂]

    台式计算机连不上网,台式机插上网线连不上网怎么办?[通俗易懂]由于你提供的问题描述不够详细具体,可能性太多了;这里为你分析下常见的一些情况以供参考!1.要确定是不是只有这一个台式机不能上网,同一个路由器下的其他终端是可以上网的。如果是这样,那基本和路由器设置无关(特殊情况例外)。2.台式机插上网线后,本地连接是否正常link起来?如果本地连接为一个“×”,那说明没有link成功,检查台式机的网卡驱动是否安装正常。由于此时台式机上不了网,建议你通过其他可以…

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号