差分进化算法(DE)原理与Python实现

【智能优化】差分进化算法(DE)原理与Python实现

📅 2026-05-08 | 🏷️ 智能优化 | 🏷️ 进化算法 | 🏷️ 差分进化

一、引言

差分进化算法(Differential Evolution, DE)是由Storn和Price于1997年提出的基于群体的随机优化算法。DE以其强大的全局搜索能力和鲁棒性著称，在多个国际优化竞赛中表现优异，广泛应用于工程优化、机器学习参数调优等领域。

二、算法原理

2.1 核心操作

DE通过三种操作实现种群的进化：

1. 变异(Mutation)：
vi=xr1+F⋅(xr2−xr3)v_i = x_{r1} + F \cdot (x_{r2} - x_{r3})vi​=xr1​+F⋅(xr2​−xr3​)

其中F∈[0,2]F \in [0, 2]F∈[0,2]是缩放因子，r1,r2,r3r_1, r_2, r_3r1​,r2​,r3​是互不相同的随机索引。

2. 交叉(Crossover)：
uij={vijifrandj≤CRorj=jrandxijotherwiseu_{ij} = \begin{cases} v_{ij} & if \quad rand_j \leq CR \quad or \quad j = j_{rand} \\ x_{ij} & otherwise \end{cases}uij​={vij​xij​​ifrandj​≤CRorj=jrand​otherwise​

其中CR∈[0,1]CR \in [0, 1]CR∈[0,1]是交叉概率。

3. 选择(Selection)：
xinew={uiiff(ui)≤f(xi)xiotherwisex_i^{new} = \begin{cases} u_i & if \quad f(u_i) \leq f(x_i) \\ x_i & otherwise \end{cases}xinew​={ui​xi​​iff(ui​)≤f(xi​)otherwise​

2.2 经典变异策略

三、Python实现

importnumpyasnpimportmatplotlib.pyplotaspltclassDifferentialEvolution:def__init__(self,dim=30,pop=30,max_iter=500,lb=-100,ub=100,F=0.5,CR=0.9,strategy='rand/1/bin'):self.dim=dim self.pop=pop self.max_iter=max_iter self.lb=lb self.ub=ub self.F=F# 缩放因子self.CR=CR# 交叉概率self.strategy=strategydefoptimize(self,obj_func):# 初始化种群X=np.random.uniform(self.lb,self.ub,(self.pop,self.dim))fitness=np.array([obj_func(x)forxinX])# 找最优sorted_idx=np.argsort(fitness)best_x=X[sorted_idx[0]].copy()best_f=fitness[sorted_idx[0]]convergence=[]fortinrange(self.max_iter):foriinrange(self.pop):# 变异操作idxs=[jforjinrange(self.pop)ifj!=i]ifself.strategy=='rand/1':r1,r2,r3=X[np.random.choice(idxs,3,replace=False)]mutant=r1+self.F*(r2-r3)elifself.strategy=='best/1':r1,r2=X[np.random.choice(idxs,2,replace=False)]mutant=best_x+self.F*(r1-r2)elifself.strategy=='rand-to-best/1':r1,r2=X[np.random.choice(idxs,2,replace=False)]mutant=X[i]+self.F*(best_x-X[i])+self.F*(r1-r2)elifself.strategy=='best/2':r1,r2,r3,r4=X[np.random.choice(idxs,4,replace=False)]mutant=best_x+self.F*(r1+r2-r3-r4)else:r1,r2,r3=X[np.random.choice(idxs,3,replace=False)]mutant=r1+self.F*(r2-r3)# 边界处理mutant=np.clip(mutant,self.lb,self.ub)# 交叉操作trial=np.copy(X[i])j_rand=np.random.randint(self.dim)forjinrange(self.dim):ifj==j_randornp.random.random()<self.CR:trial[j]=mutant[j]# 选择操作trial_f=obj_func(trial)iftrial_f<=fitness[i]:X[i]=trial fitness[i]=trial_fiftrial_f<best_f:best_f=trial_f best_x=trial.copy()convergence.append(best_f)returnbest_x,best_f,convergence

自适应DE变体

classAdaptiveDE(DifferentialEvolution):"""自适应差分进化"""def__init__(self,*args,F_init=0.5,CR_init=0.9,**kwargs):super().__init__(*args,**kwargs)self.F_init=F_init self.CR_init=CR_initdefoptimize(self,obj_func):X=np.random.uniform(self.lb,self.ub,(self.pop,self.dim))fitness=np.array([obj_func(x)forxinX])best_idx=np.argmin(fitness)best_x,best_f=X[best_idx].copy(),fitness[best_idx]convergence=[]fortinrange(self.max_iter):# 自适应参数：随迭代调整p=t/self.max_iter self.F=self.F_init*(1-0.5*p)+0.1*np.random.random()self.CR=self.CR_init*np.exp(-2*p)# JADE风格的参数自适应successful_F=[]successful_CR=[]foriinrange(self.pop):idxs=[jforjinrange(self.pop)ifj!=i]r1,r2,r3=X[np.random.choice(idxs,3,replace=False)]# rand/1/bin策略mutant=r1+self.F*(r2-r3)mutant=np.clip(mutant,self.lb,self.ub)trial=np.copy(X[i])j_rand=np.random.randint(self.dim)forjinrange(self.dim):ifj==j_randornp.random.random()<self.CR:trial[j]=mutant[j]trial_f=obj_func(trial)iftrial_f<=fitness[i]:X[i]=trial fitness[i]=trial_f successful_F.append(self.F)successful_CR.append(self.CR)iftrial_f<best_f:best_f=trial_f best_x=trial.copy()# 更新F和CR的均值（用于下次迭代）ifsuccessful_F:self.F=np.mean(successful_F)self.CR=np.mean(successful_CR)convergence.append(best_f)returnbest_x,best_f,convergence

四、实验结果

五、参数设置指南

六、DE的应用

1. 超参数优化：机器学习模型参数调优
2. 神经网络训练：权重优化
3. 路径规划：无人机/机器人路径优化
4. 工程设计：结构优化、调度问题

七、总结

差分进化算法是一种高效且鲁棒的进化算法：

• ✅ 全局搜索能力强
• ✅ 对问题特性不敏感
• ✅ 参数调节相对简单
• ✅ 适合高维优化问题

您的点赞是我创作的动力！