本文you清華大學(xué)碩士大神金天撰寫，歡迎大家轉(zhuǎn)載，不過請(qǐng)保留這段版權(quán)信息，對(duì)本文內(nèi)容有疑問歡迎聯(lián)系作者微信：jintianiloveu探討，多謝合作~
導(dǎo)語
差分進(jìn)化算法是一種尋優(yōu)算法，提出時(shí)間比遺傳算法，粒子群算法晚，但是我在實(shí)現(xiàn)差分進(jìn)化算法的時(shí)候看不出任何牛逼之處，唯一我覺得牛逼的一點(diǎn)是不像遺傳算法一樣使用二進(jìn)制編碼令人頭大，實(shí)數(shù)編碼好理解一點(diǎn)，而且變異，交叉，選擇這三大過程也很簡(jiǎn)單。本篇文章就是傳授老夫多年的科研裝逼手藝，如果覺得好，可以小小的贊一下，嘿嘿。
洪荒初始-差分進(jìn)化算法的步驟
差分進(jìn)化算法和遺傳算法沒有任何區(qū)別，如果你甚至沒有聽過遺傳算法沒有關(guān)系，它只有簡(jiǎn)單的以下幾步：
- 初始化
對(duì)于像進(jìn)化差分這樣的貪婪算法來說，首先需要形成一個(gè)初始種群，就像采花高手一樣一開始喜歡廣撒網(wǎng)，網(wǎng)撒的好才不會(huì)有漏網(wǎng)之魚。 - 變異
變異針對(duì)個(gè)體級(jí)別，變異的原理就是
h_i = x_g_without_i[1] + f*(x_g_without_i[2] - x_g_without_i[3])
這里的h_i指的是對(duì)上一代種群中第i個(gè)個(gè)體進(jìn)行變異，變異方法是從上一代種群中，除了第i個(gè)個(gè)體以外的剩下個(gè)體中隨機(jī)抽取三個(gè)，按照上面的公式得到第i個(gè)的變異個(gè)體。
- 交叉
交叉操作主要針對(duì)每個(gè)個(gè)體，我們優(yōu)化的函數(shù)可能有多個(gè)變量，也就是多目標(biāo)優(yōu)化，一個(gè)擁有x，y，z，w，f，g，b，k....這樣超多變量的函數(shù)給你優(yōu)化，你要是用高等數(shù)學(xué)的方法來尋找指定區(qū)間上的最優(yōu)點(diǎn)基本上不太可能，這時(shí)候我們就需要進(jìn)化差分算法，每個(gè)個(gè)體的元素個(gè)數(shù)就是要優(yōu)化的多目標(biāo)數(shù)。 - 選擇
選擇操作當(dāng)然就是根據(jù)適應(yīng)度函數(shù)來決定我選取變異交叉后的個(gè)體還是保留原來的個(gè)體 - 迭代
重復(fù)之前的操作。
差分進(jìn)化算法詳細(xì)講解
上面只是給大家一個(gè)感性的認(rèn)識(shí)，真正你看了上面就理解了進(jìn)化差分算法要么你牛逼要么我牛逼，不過為了把算法解釋清楚，我決定在詳細(xì)講解一下
共識(shí)
首先我們要明確我們要優(yōu)化什么？?jī)?yōu)化的量是什么？怎么跟差分進(jìn)化算法里面的東西對(duì)應(yīng)起來？
我們要優(yōu)化的東西無非就是一個(gè)函數(shù)，這個(gè)函數(shù)可能只有一個(gè)變量，也可能有兩個(gè)，當(dāng)然更多的情況是有很多參數(shù)，比如一個(gè)量子對(duì)撞機(jī)控制系統(tǒng)，影響因素就很多，當(dāng)然我們的進(jìn)化算法還無法牛逼到處理辣么復(fù)雜的問題。
而函數(shù)的參數(shù)就是我們算法里面的個(gè)體，參數(shù)的個(gè)數(shù)就是個(gè)體的元素個(gè)數(shù)。對(duì)，就是這樣。
還有啥
還有啥要說的呢，基本上沒有了，小學(xué)生應(yīng)該也懂了，好了開始上代碼
Talk is cheap， show me the code
接下來開源進(jìn)化差分算法的代碼，用python實(shí)現(xiàn)的喲，如果代碼中有任何問題歡迎加我微信：jintianiloveu或者加入文章結(jié)尾二維碼群。
