差分进化自适应的参数优化、模式识别程序

差分进化算法是一种新兴的进化 计算技术。它是由Storn等人于1995年提出的，和其它 演化算法一样，DE是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。但相比于进化算法，DE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，降低了遗传操作的复杂性。同时，DE特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。目前，DE已经在许多领域得到了应用，譬如人工神经元网络、化工、电力、机械设计、机器人、信号处理、生物信息、经济学、现代农业、食品安全、环境保护和运筹学等。 DE 算法主要用于求解连续变量的全局优化问题，其主要工作步骤与其他进化算法基本一致，主要包括变异(Mutation)、交叉(Crossover)、选择(Selection)三种操作。算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体的差向量作为第三个个体的随机变化源，将差向量加权后按照一定的规则与第三个个体求和而产生变异个体，该操作称为变异。然后，变异个体与某个预先决定的目标个体进行参数混合，生成试验个体，这一过程称之为 交叉。如果试验个体的适应度值优于目标个体的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择。在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局 最优解逼近。

function [trbjbmn] = SADE（VTRXVminXVmaxDNPfname）
% 参数自适应差分进化算法对Rastrigrin函数起作用
% aa     当前计算到第几次
% VTR    优化的目标值
% fname  选择测试函数
% XVmin  搜索空间下限
% XVmax  搜索空间上限
% D      个体维数
itermax = 8000;            % maximum number of iterations （generations）
F = 0.6;                  % DE-stepsize F from interval [0 2]
F1=0.45;
CR = 0.9;                 % crossover probability constant from interval [0 1]
%-----DE Initialize--------------------------------------------------------
pop = zeros（NPD）;        % initialize pop
for i = 1:NP
   pop（i:） = XVmin + rand（1D）.*（XVmax - XVmin）;
end
popold = zeros（size（pop））;% toggle population
val = zeros（1NP）;        % create and reset the “cost array“
bestmem = zeros（1D）;     % best population member ever
bestmemit = zeros（1D）;   % best population member in iteration
for i = 1:NP              % Evaluate the best member after initialization
    input = pop（i:）;
    output（i） = feval（fnameinput）;
end
val = output‘;
[bestvalitidx] = min（val）;
bestmemit = pop（idx:）;   % best member of current iteration
bestmem = bestmemit;      % best member ever
bestval = bestvalit;      % best value ever
%-----DE Iteration---------------------------------------------------------
tr = zeros（1itermax）;
for j = 1:itermax
    if （bestval-VTR） < 1e-5
        break
    end   
    popold = pop;
    % generate the trail population
    for i = 1:NP

        %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
        CR=0.1;
        if val（i）<=mean（val）
           CR=0.1+（0.6-0.1）*（val（i）-max（val））/（min（val）-max（val））; 
        end     
        %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

        % pick up the donor and differential vectors
        rd = fix（rand（1） * NP + 1）;
        while val（rd） > val（i）
            rd = fix（rand（1） * NP + 1）;
        end
        rb = fix（rand（1） * NP + 1）;
        while rb == i || rb == rd
             rb = fix（rand（1） * NP + 1）;
        end
        rc = fix（rand（1） * NP + 1）;
        while rc == i || rc == rd || rc==rb
             rc = fix（rand（1） * NP + 1）;
        end
        re = fix（rand（1） * NP + 1）;