本程序采用差分进化算法迭代搜索给定功能函数的最大值。

差分进化算法由Storn和Price (1995)年提出，它是一种随机的并行搜索算法，可对非线性不可微连续空间函数进行最小化。它类似于遗传算法，主要的进化过程有变异，交叉和选择，都是从一个随机初始种群开始的。但是DE算法的这三个过程和遗传算法有很大的不同。算法的收敛速度也远远快于遗传算法。

DE/rand/bin/1的程序，使用sphere函数做测试，只需替换要求的函数，可以直接运行

提出了一种基于余弦相似度的点云配准(PCR-CS)算法,该算法主要解决点云刚性配准问题,即找到点云配准的旋转矩阵R和平移矩阵T,从而实现原始点云P到目标点云Q的配准。先对两个待配准点云进行去中心化处理,再进行点云余弦相似度的研究,将两个待配准的三维点云分别投影到XY平面上,对XY平面上的点云进行栅格化处理,统计栅格上的数据点从而形成统计矩阵SP和SQ,采用差分进化算法,以两点云余弦相似度为条件,寻求最优R,从而实现点云配准,最后,利用中心点计算T。实验结果表明,与其他算法相比,该算法具有较高的配准精度,即使在点云数据伴随有噪声和数据缺失的情况下,也都能达到良好的配准效果。

这里是几个差分进化算法的程序，能运行，按照里面的说明进行！

该程序为差分进化及其改进算法的matlab程序，其中包含了标准差分进化算法DE，以及三种改进算法ADE，SDE,SADE，程序运行时需注意里面部分包含了两种不同的应用，所以根据需要把不相关的注释掉（已注明一种）

python代码随处可见，利用python进行相关的操作和实现时每一个python入门者必不可少的内容，这里利用python 的相关知识，简单的进行了实验，希望对大家有所帮助

NSGA-Ⅱ是最流行的多目标遗传算法之一，它降低了非劣排序遗传算法的复杂性，具有运行速度快，解集的收敛性好的优点，成为其他多目标优化算法性能的基准。NSGA-Ⅱ就是在第一代非支配排序遗传算法的基础上改进而来，其改进主要是针对如上所述的三个方面： ①提出了快速非支配排序算法，一方面降低了计算的复杂度，另一方面它将父代种群跟子代种群进行合并，使得下一代的种群从双倍的空间中进行选取，从而保留了最为优秀的所有个体； ②引进精英策略，保证某些优良的种群个体在进化过程中不会被丢弃，从而提高了优化结果的精度； ③采用拥挤度和拥挤度比较算子，不但克服了NSGA中需要人为指定共享参数的缺陷，而且将其作为种群中个体间的比较标准，使得准Pareto域中的个体能均匀地扩展到整个Pareto域，保证了种群的多样性。

matlab多目标优化代码CPDEA 版权所有刘一平 这些是“Yiping Liu、Hisao Ishibuchi、Gary G. Yen、Yusuke Nojima 和 Naoki Masuyama，处理不平衡”中提出的不平衡距离最小化问题 (IDMP) 和使用收敛惩罚密度方法 (CPDEA) 的进化算法的代码进化多模态多目标优化决策空间中的收敛性和多样性之间，IEEE 进化计算汇刊，2020 年，24(3)，第 551-565 页，“。 代码使用发表于“Ye Tian 等人，PlatEMO: A MATLAB Platform for Evolutionary Multi-Objective Optimization, IEEE Computational Intelligence Magazine, 2017, 12(4): 73-87”。 如果您有任何问题，请联系。

这是云庆夏写的一本关于进化算法的书，当初做毕业设计的时候，也是老师推荐的，真的是一本不错的书哦！