DE算法Matlab程序

差分进化算法在寻优的过程中，首先，从父代个体间选择两个个体进行向量做差生成差分矢量；其次，选择另外一个个体与差分矢量求和生成实验个体；然后，对父代个体与相应的实验个体进行交叉操作，生成新的子代个体；最后在父代个体和子代个体之间进行选择操作，将符合要求的个体保存到下一代群体中去。

function trace=DE（fGenmax_FESNPDenx_minx_maxi_info）
%输入:
%f-目标函数
%Gen-迭代次数
%max_FES-目标函数最大访问次数
%NP-种群规模
%x_min-自变量最小值
%x_max-自变量最大值

%初始化
t0=cputime;
G=1;%初始化代数
F=0.5;%缩放因子
CR=0.8;%交叉概率
FES=0;%目标函数的访问次数
Gmin=zeros（1Gen）;%各代最优值
Best_X=zeros（GenDen）;%各代最优解
Value=zeros（1NP）;%当前代下每个个体的最优值


X_0=x_min+（x_max-x_min）*rand（NPDen）;%初始化NP个Den维向量
X_Mutation=zeros（NPDen）;%变异后的向量
X_CrossOver=zeros（NPDen）;%交叉后的向量
X_Selection=zeros（NPDen）;%选择后的向量

%找出初代最优值
for i=1:NP
    Value（i）=f（X_0（i:）i_info）;
end
[value_minpos_min] = min（Value）;
FES=FES+NP;

while（FES<=max_FES）    
    %变异操作
    for i=1:NP
        %随机产生三个不相同的向量
        r=randperm（NP）;
        q=r（1）;
        k=r（2）;
        p=r（3）;
        if q==i
            q=r（4）;
        else if k==i
                k=r（4）;
            else if p==i
                    p=r（4）;
                end
            end
        end
           
        mutation=X_0（q:）+F*（X_0（k:）-X_0（p:））;
        for j=1:Den
            %变异后不能超出边界
            if mutation（1j）>x_min & mutation（1j）                X_Mutation（ij）=mutation（1j）;
            else
                X_Mutation（ij）=x_min+（x_max-x_min）*rand（1）;
            end
        end