文档介绍：基本差分进化算法
(1)初始化。
DE利用 NP个维数为 D的实数值参数向量作为每一代的种群，每
个个体表示为：
X (i=1，2，……，NP) （ 1）基本差分进化算法
(1)初始化。
DE利用 NP个维数为 D的实数值参数向量作为每一代的种群，每
个个体表示为：
X (i=1，2，……，NP) （ 1）
i，G
式中：i—— 个体在种群中的序列；G——进化代数；NP— —种群规
模，在最小化过程中 NP保持不变。
为了建立优化搜索的初始点，种群必须被初始化。通常寻找初始
种群的一个方法是从给定边界约束内的值中随机选择。在 DE研究中，
一般假定对所有随机初始化种群均符合均匀概率分布。设参数变量的
界限为 X (L)  X  X (U ) ，则：
j j j
X  rand(0,1)`(X (U )  X (L) )  X (L) （ i=1，2，……，
ji,0 j j j
NP；j=1，3，……，D）（ 2 ）
式中：rand[0，1]——在[0，1]之间产生的均匀随机数。
如果预先可以得到问题的初步解，初始种群也可以通过对初步解
加入正态分布随机偏差来产生，这样可以提高重建效果。
(2)变。异
对于每个目标向量 X (i=1，2，……，NP)，基本DE算法的变
i，G
向量如异下产生：
v  X  F  (x  x ) （ 3 ）
i,G1 r1,G r 2,G r3,G
其中，随机选择的序号r1，r2和r3互不相同，且r1，r2和r3与目标向量序号i也应不同，所以须满足NP≥4。变异算子F∈[0，2]是一个实
常数因数，控制偏差变量的放大作用。
(3)交叉。
为了增加干扰参数向量的多样性，引入交叉操作。则试验向量变
为：
u  (u ,u ,..., u ) （ 4）
i ,G 1 1i ,G 1 2i ,G 1 Di ,G 1
 v 如果randb( j)  CR或者j  rnbr(i)
u   ji,G1
ji,G1 X 如果rand b (j)  CR 且j  rnbr(i)
 ji,G1
（i=1，2，……，NP；j=1，3，……，D）（ 5）
式中：randb(j)——产生[0，1]之间随机数发生器的第j个估计值；