为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.

针对差分进化算法易出现早熟现象和收敛速度慢等问题, 提出一种具有人工蜂群搜索策略的差分进化算 法. 利用人工蜂群搜索策略很强的探索能力, 对种群进行引导以帮助算法快速跳出局部最优点. 此外, 为了提高算法 的全局收敛速度, 采用一种基于反学习的初始化方法. 通过对12 个标准测试函数进行仿真实验并与其他算法相比较, 表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.

为了有效解决动态多目标优化问题,文中提出了一种新的基于预测策略的动态多目标免疫优化算法.该算法首先采用相似性检测算子较好地检测到环境的变化.同时利用前几个时刻的最优非支配抗体解集建立新的预测模型来预测产生新时刻的初始抗体种群,进一步提高了算法对环境变化的反应能力.此外,通过引入基于两种不同的父代个体选择策略而改进的差分交叉算子来加快算法的收敛速度.文中采用几个典型的标准测试问题验证算法的有效性,实验结果表明,提出的相似性检测算子的预测模型可以提高算法的跟踪能力,而改进的差分交叉算子能够提高算法的收敛性能.

DE差分进化算法，适应值和迭代次数之间的函数图展示，有测试代码，希望对你有用

此工具箱提供二元微分进化 (BDE) 方法 举例说明了 BDE 如何使用基准数据集解决特征选择问题。 ****************************************************** ****************************************************** ********************************

MATLAB，差分进化算法，注释详细 Author: Rainer Storn, Ken Price, Arnold Neumaier, Jim Van Zandt

【优化求解】基于差分进化的正弦余弦算法matlab源码.md

提出了两种约束的多目标元启发式方法。 1）基于成功历史的自适应多目标差分进化算法（SHAMODE）是基于成功历史的自适应多变量进化算法（SHADE）的改进多目标版本，它集成了改进的自适应策略和非支配排序算法。 2）基于成功历史的鲸鱼优化自适应多目标差分进化算法（SHAMODE-WO）是基于成功历史的自适应差分进化算法（SHADE）的改进多目标版本，它集成了改进的自适应策略，非支配排序算法和其他功能。鲸鱼优化算法（WOA）中的种群更新运算符。 该算法发布在： Panagant，N.，Bureerat，S.，＆Tai，K.（2019年）。 一种新颖的自适应混合多目标元启发式结构桁架的可靠性设计，同时具有拓扑，形状和尺寸优化设计变量。 结构和多学科优化，60（5），1937-1955。 DOI： https ： //doi.org/10.1007/s00158-019-02302-x

差分进化，粒子群，演化算法对比分析

根据Rainer Storn和Kenneth Price在1997年发表的文章Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous制作，内附原文及代码。