matlab实现差分进化算法(DE)，可以正常运行，请放心食用哦。

针对多模态优化问题, 提出一种动态小生境半径两阶段多模态差分进化算法. 基于构象空间退火思想, 设计一种两阶段退火策略来动态调整小生境半径, 并根据退火过程将整个优化过程分为两个阶段. 在第1 阶段, 通过差分限制变异策略生成高质量的新个体来维持种群的多样性, 促进多模收敛; 在第2 阶段, 利用种子邻近变异策略对已探测到的生境高度搜索, 加快算法的收敛速度. 实验结果表明, 所提出算法能够有效实现从全局探测到局部增强的自适应平滑过渡, 是一种有效的多模态优化算法.

差分进化算法的MatLab源代码,可供研究者和编程者参考 差分进化算法的MatLab源代码,可供研究者和编程者参考

设计了基于标准差分进化算法differential evolution, DE与遗传算法genetic algorithm, GA的混合差分进化算法hybrid DE, HDE, 同时用典型的测试函数对HDE进行性能测试。针对旅行商问题traveling salesman problem, TSP的求解难题, 给出了采用位置—次序转换策略和HDE的有效求解方法, 并测试了Oliver 30个城市的TSP。仿真结果表明, 与DE和GA相比, HDE的优势在收敛率、平均最优解以及耗时上都很明显, 证明了HDE在解决TSP问题上的有效性和稳定性。

来源：Li Y, Wang S, Yang H, et al. Enhancing differential evolution algorithm using leader-adjoint populations[J]. Information Sciences, 2023, 622: 235-268. 内容：CEC2017测试集, LADE. 注释：本算法为个人编译，仅供参考.

提出了一种自适应差分进化算法，该算法在计算过程中自适应调整缩放因子，在搜索初期保持种群的多样性和增强全局搜索能力，后期有利于局部搜索提高算法的精度。数值实验结果表明，该算法有效的避免早熟，提高了全局寻优能力。该算法的性能优于基本微分进化算法。

关于生物信息学的资料 上面是进化算法在基因序列中的应用

非支配排序，拥挤度计算，pareto前沿，A Fast and Elitist Multi-objective Genetic Algorithm:NSGA-II NSGA算法 NSGA算法缺陷 NSGA-II算法 总结 1. 快速非支配排序法将时间复杂度改进为O(MN2)； 2.使用拥塞距离代替代替共享函数算法保持种群多样性； 引入精英保留策略。 非支配排序的复杂度较高: O(MN3) （M是目标函数的个数，N是种群大小)； 缺少精英保留策略； 需要人为指定共享参数σshare（共享小生境步骤）。 NSGA： nondominated sorting genetic algorithms-非支配排序遗传算法 nondominated：非支配 例：回家，两目标（费用，时间），均越小越好 动车A（270 , 7），普快B（120 , 10），飞机C（240，2） C（240，2）支配A（270 ， 7）; A（270 , 7）被C（240，2）支配; B（120 , 10）和C（240，2）不可比，即非支配。 目的：得到一组非支配的解--Pareto最优解集。

再发一个微分进化算法DE的小程序-DE-test.rar 晚上用了三个小时，用两个特殊函数测试了一下，结果很不错，希望对初学者有帮助哦！

python实现基于改进的差分进化算法求解柔性作业车间调度问题源码+项目说明.7z 问题规模以(工件J*工序P*机器M)表示，例如J20P10M10表示共有20个工件，每个工件有10个工序，总共有10个加工机器可供选择。data文件夹中的文件表示程序所用的数据，其中data_first文件的问题规模是J10P5M6，data_second文件的问题规模是J20P10M10，data_third文件的问题规模是J20P20M15。对于其中数据的解释：横向表示工序，纵向表示机器，每个数值表示机器加工工序的耗时，工序和机器都是按顺序排列的。以data_first.txt文件为例，前五行分别表示第一个工件的5个工序分别在6台机器上加工的时间，第5-10行表示第二个工件的5个工序分别在6台机器上加工的时间，以此类推。 关于编码，本项目采用的是同类问题常用的编码方式，参考论文“基于改进遗传算法的柔性作业车间调度问题研究”，与该论文所述的编码方式不同的是，本项目的编码中第一段为工序编码，第二段为机器编码。