注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
1. 代码实现
不了解差分进化算法可以先看看优化算法笔记（七）差分进化算法
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 个体 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主体 |
以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 测试函数，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函数图像，画图用 |
差分进化算法个体
文件名：.. \optimization algorithm\algorithm_differential_evolution\DE_Unit.m
% 差分进化算法个体
classdef DE_Unit < Unit
properties
% 个体的新位置(变异位置，交叉选择用)
position_new
end
methods
function self = DE_Unit()
end
end
end
差分进化算法主体
文件名：..\optimization algorithm\ algorithm_differential_evolution\DE_Base.m
% 差分进化算法
classdef DE_Base < Algorithm_Impl
properties
% 算法名称
name = 'DE';
% 交叉率
cross_rate;
% 变异率
alter_factor;
end
% 外部可调用的方法
methods
function self = DE_Base(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
self.cross_rate = 0.3;
self.alter_factor = 0.5;
end
end
% 继承重写父类的方法
methods (Access = protected)
% 初始化种群
function init(self)
init@Algorithm_Impl(self)
%初始化种群
for i = 1:self.size
unit = DE_Unit();
% 随机初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
unit.position_new = unit.position;
% 计算适应度值
unit.value = self.cal_fitfunction(unit.position);
% 将个体加入群体数组
self.unit_list = [self.unit_list,unit];
end
end
% 每一代的更新
function update(self,iter)
update@Algorithm_Impl(self,iter)
% 变异
self.altered();
% 交叉
self.cross();
% 选择
self.choose();
end
% 变异
function altered(self)
% 遍历所有个体
for i = 1:self.size
% 在群体中随机选择3个个体
% 1.先将群体的id乱序
% 2.从乱序中选择前3个id
rand_id_list = randperm(self.size);
r1 = rand_id_list(1);
r2 = rand_id_list(2);
r3 = rand_id_list(3);
if (r1 == i)
r1 =rand_id_list(4);
end
if (r2 == i)
r2 =rand_id_list(4);
end
if (r3 == i)
r3 =rand_id_list(4);
end
% 变异得到新位置
% new_pos = rand_1_pos+f*(rand_2_pos - rand_3_pos)
new_pos = self.unit_list(r1).position + self.alter_factor*(self.unit_list(r2).position - self.unit_list(r3).position);
new_pos = self.get_out_bound_value(new_pos);
% 保存该变异位置
self.unit_list(i).position_new = new_pos;
end
end
% 交叉
function cross(self)
% 遍历步长为2，相邻两个个体交叉
for i = 1:self.size
% 随机选择一维
cur_dim = unidrnd(self.dim);
for d = 1:self.dim
% 满足交叉条件则将原对应个体对应维度保留
r = unifrnd (0,1);
if(r<self.cross_rate || d == cur_dim)
% 保持不变
else
self.unit_list(i).position_new(d) = self.unit_list(i).position(d);
end
end
end
end
% 选择个体,贪心算法保留对应个体
function choose(self)
for i = 1:self.size
new_value = self.cal_fitfunction(self.unit_list(i).position_new);
if (new_value > self.unit_list(i).value)
self.unit_list(i).value = new_value;
self.unit_list(i).position = self.unit_list(i).position_new;
end
end
end
end
end
文件名：..\optimization algorithm\algorithm_differential_evolution\DE_Impl.m
算法实现，继承于Base,图方便也可不写，直接用DE_Base，这里为了命名一致。
% DE实现
classdef DE_Impl < DE_Base
properties
% 算法名称：
name = 'DE’;
end
% 外部可调用的方法
methods
function self = DE_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@DE_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2. 测试
测试F1
文件名：..\optimization algorithm\algorithm_differential_evolution \Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;
%% 添加框架路径
% 将上级目录中的frame文件夹加入路径
addpath('../frame')
%% 选择测试函数
Function_name='F1';
% [最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim)*ub;
% 取值范围下界
range_min_list = ones(1,dim)*lb;
% 实例化差分进化算法类
base = DE_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();
%% 绘制图像
figure('Position',[500 500 660 290])
% Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
% Draw objective space
subplot(1,2,2);
% 绘制曲线
semilogy(base.value_best_history,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);
网友评论