设这一轮的选择-复制结果为：
s1’=11100（28）, s2’=11100（28）, s3’=11000（24）, s4’=10011（19）
然后，做交叉运算，让s1’与s4’，s2’与s3’ 分别交换后两位基因，得
s1’’=11111（31）, s2’’=11100（28）, s3’’=11000（24）, s4’’=10000（16）
这一轮仍然不会发生变异。于是，得第四代种群S4：
s1=11111（31）, s2=11100（28）, s3=11000（24）, s4=10000（16）
显然，在这一代种群中已经出现了适应度最高的染色体s1=11111。于是，遗传操作 终止，将染色体“11111”作为最终结果输出。 然后，将染色体“11111”解码为表现型，即得所求的最优解：31。将31代入函数 y=x2中，即得原问题的解，即函数y=x2的最大值为961。
开 始
根据实际问题进行编码
设置参数
问题
1、遗传操作象
遗传操作， 生成新种群
种群中所有个体 种群中部分个体
生成初始种群ຫໍສະໝຸດ 计算个体适应值2、遗传操作顺序
重叠 非重叠
是否满足进 化终止条件
否
3、新种群重组方式
是
算法结束， 输出最优个体
一般演化算法的过程
2.2标准DE流程图
开始 确定控制参数 t=0 随机产生初始种群POP(0) 对初始种群进行评价
这一轮仍然不会发生变异。于是，得第三代种群S3：
s1=11100（28）, s2=01001（9）, s3=11000（24）, s4=10011（19）
表1.3.3 第三代种群S4中各染色体的情况
染色体 s1=11100 s2=01001 s3=11000 s4=10011 适应度 784 81 576 361 选择概率 0.44 0.04 0.32 0.20 积累概率 0.44 0.48 0.80 1.00 估计被选中次数 2 0 1 1
s3’’=11011（27）, s4’’=10000（16） 变异 设变异率pm=0.001。这样，群体S1中共有540.001=0.02位基因可以变异。 0.02位显然不足1位，所以本轮遗传操作不做变异。 现在，我们得到了第二代种群S2： s1=11001（25）, s2=01100（12）, s3=11011（27）, s4=10000（16）
解 (1) 定义适应度函数,编码染色体。由上面的分析,函数f(x)=x2就可作为空间U上 的适应度函数。显然y=x2是一个单调增函数,其取最大值的点x=31是个整数。另一
方面, 5位二进制数也刚好能表示区间［0, 31］中的全部整数。所以, 我们就仅取
［0,31］中的整数来作为参加进化的个体 ,并且用5位二进制数作为个体x的基因型 编码, 即染色体。 (2) 设定种群规模 , 产生初始种群 。我们将种群规模设定为 4, 取染色体
2.1 Differential Evolution Algorithms
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。
选择(Selection)
DE是一种随机的并行直 接搜索算法,它可对非线 性不可微连续空间函数 进行最小化,以其易用性 、稳健性和强大的全局 寻优能力在多个领域取 得成功；
应用
在约束优化计算、聚类优化计算、非线性 优化控制、神经网络优化、滤波器设计、 阵列天线方向图综合及其它方面得到广泛 应用。
演化算法算法流程
单击增加标题内容
适应度 种群 遗传操作 编码
演化 算法 共有 的对 象元 素
选择优秀个 体，复制成 为新的群体 初始化种群； 评价种群适应 度
决定的参加 交叉的染色 体数，配对 进行交叉操 作，并用产 生的新染色 体代替原染 色体
进行变异操 作
3
4
得到新的子 种群
2 1
遗传算法
5
1.3 遗传算法应用举例
差分进化算法
1.2基本遗传 2.1 DE的来源 算法 2.2DE的标准算 1.1GA的基本 1.3 举例和应用 法 概念
单击增加标题内容
GA
遗传算法（Genetic Algorithm）它 是由美国的J.Holland教授1975年首 先提出的模拟达尔文生物进化论的 自然选择和遗传学机理的生物进化 过程的计算模型，是一种通过模拟 自然进化过程搜索最优解的方法。 这个过程将导致种群像自然进化一 样的后生代种群比前代更加适应于 环境，末代种群中的最优个体经过 解码（decoding），可以作为问题 近似最优解。
表1.3.1 第一代种群S1中各染色体的情况
染色体 s1=01101 s2=11000 s3=01000 s4=10011
适应度 169 576 64 361
选择概率 0.14 0.49 0.06 0.31
积累概率 0.14 0.63 0.69 1.00
估计被选中次数 1 2 0 1
选择-复制
设从区间［0, 1］中产生4个随机数如下:
f ( x) 3(1 x1 ) e
2
x2
2 2 1 1 ( x1 1)2 x22 x1 x2 3 5 ( x2 1) 10( x1 x1 x2 )e e 5 3
2
实 验
差分进化算法
参数选取
差异演化算法主要涉及群体规模M 、缩放 以及交叉概率CR三个参数的设定。 因子 • M：一般介于5×n 与10×n 之间, 但不能少于4, 否则无法进行 • ：一般在[ 0, 2 ]之间选择, 通常取0. 5; • CR：一般在[ 0, 1 ]之间选择, 比较好的选择应在0. 3 左右, CR 大
表 1.3.2 第二代种群S2中各染色体的情况
染色体 s1=11001 s2=01100 s3=11011 s4=10000
适应度 625 144 729 256
选择概率 0.36 0.08 0.41 0.15
积累概率 0.36 0.44 0.85 1.00
估计被选中次数 1 0 2 1
假设这一轮选择-复制操作中，种群S2中的4个染色体都被选中（因为选择概 率毕竟只是一种几率，所以4个染色体恰好都被选中的情况是存在的），我们得到 群体：
ui t+1 f ui t 1 f xi t xi t 1 i 1, 2,, M otherwise xi t
反复执行(2) 至(4) 操作, 直至达到最大的 进化代数tmax.
Differential Evolution
s1’=11001（25）, s2’=01100（12）, s3’=11011（27）, s4’=10000（16）
然后，做交叉运算，让s1’与s2’，s3’与s4’ 分别交换后三位基因，得
s1’’=11100（28）, s2’’=01001（9）, s3’’=11000（24）, s4’’=10011（19）
输出最优解
基本算法实例
求解非线性函数f (x 1, x 2, ⋯, x n)的最小值问题, x i满足：
xi t xi ,1 t , xi ,2 t , , xi ,n t i 1, 2, , M ; t 1, 2, tmax . 令xi t 是第t代的第i个染色体, 则
L ij U ij L ij
i 1, 2, , M ; j 1, 2, n
(2) 变异操作
从群体中随机选择3 个染色体 ， ， 且( i≠p1≠p2≠p3) , 则 x p1 x p x p 2
3
vij t 1 x p1 j t x p2 j t x p3 j t
s1=01101(13),s2=11000(24),s3=01000(8), s4=10011(19)组成初始种群S1。
(3) 计算各代种群中的各染色体的适应度 , 并进行遗传操作,直到适应度最高 的染色体(该问题中显然为“11111”=31)出现为止。 计算S1中各染色体的适应度、选择概率、积累概率等并列于表4.1中。
x xij x
L ij
U ij
j 1,2,n
其中,n 是染色体的长度,即变量的个数,M为群体规模, tmax 是最大的进化代数。
(1) 生成初始种群
在n 维空间里随机产生满足约束条件的M 个染 色体, 实施措施如下：
xi , j 0 x randij 0,1 x x ,
例: 利用遗传算法求解区间［0,31］上的二次函数y=x2的最大值。 分析 可以看出,只要能在区间［0,31］中找到函数值最大的点a,则函数y=x2的 最大值也就可以求得。于是, 原问题转化为在区间［0, 31］中寻找能使y取最大值 的点a的问题。显然, 对于这个问题, 任一点x∈［0, 31］都是可能解, 而函数值f(x)= x2也就是衡量x能否为最佳解的一种测度。那么,用遗传算法的眼光来看 , 区间［0, 31］就是一个(解)空间,x就是其中的个体对象, 函数值f(x)恰好就可以作为x的适应度 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。
xp2 j t x p3 j t


, 为缩放 为差异化向量
因子
(3) 交叉操作
交叉操作是为了增加群体的多样性, 具体 操作如下: