标签：变异 函数 hub sci 文档 tps 根据 生成 天空
差分进化算法（Differential Evolution，DE)于1997年由Rainer Storn和Kenneth Price在遗传算法等进化思想的基础上提出的，本质是一种多目标（连续变量）优化算法（MOEAs），用于求解多维空间中整体最优解。
差分进化算法相对于遗传算法而言，相同点都是通过随机生成初始种群，以种群中每个个体的适应度值为选择标准，主要过程也都包括变异、交叉和选择三个步骤。不同之处在于遗传算法是根据适应度值来控制父代杂交，变异后产生的子代被选择的概率值，在最大化问题中适应值大的个体被选择的概率相应也会大一些。而差分进化算法变异向量是由父代差分向量生成，并与父代个体向量交叉生成新个体向量，直接与其父代个体进行选择。显然差分进化算法相对遗传算法的逼近效果更加显著。
详细介绍见 差分进化算法（Differential Evolution)。
Step1: 定义你的问题
‘‘‘ min f(x1, x2, x3) = x1^2 + x2^2 + x3^2 s.t. x1*x2 >= 1 x1*x2 <= 5 x2 + x3 = 1 0 <= x1, x2, x3 <= 5 ‘‘‘ # 目标函数 def obj_func(p): x1, x2, x3 = p return x1 ** 2 + x2 ** 2 + x3 ** 2 # 线性约束 constraint_eq = [ lambda x: 1 - x[1] - x[2] ] # 非线性约束 constraint_ueq = [ lambda x: 1 - x[0] * x[1], lambda x: x[0] * x[1] - 5 ]
Step2: 进行差分进化
from sko.DE import DE de = DE(func=obj_func, n_dim=3, size_pop=50, max_iter=800, lb=[0, 0, 0], ub=[5, 5, 5], constraint_eq=constraint_eq, constraint_ueq=constraint_ueq) best_x, best_y = de.run() print(‘best_x:‘, best_x, ‘\n‘, ‘best_y:‘, best_y)
参考链接：
2. CSDN金良山庄-差分进化算法（Differential Evolution）
3. CSDN口袋的天空-差分进化算法（Differential Evolution)
标签：变异 函数 hub sci 文档 tps 根据 生成 天空
原文地址：https://www.cnblogs.com/lfri/p/12241557.html
