示例应用程序（参见示例目录）提供了一个寻找最小功能的过程： cost(x) = -cos(Pi * |x| / (1 + |x|)) 其中 x 是 4D 向量。要查看此演示文稿，您需要在 Web 浏览器中启用 websocket。 更多详情、使用方法，请下载后阅读README.md文件

差分进化算法是由 Storn & Price 开发的一种优化算法。给定具有一组N参数的函数，该算法在定义的参数空间内创建一组NP 随机解，然后使用参数之间的变化来改变现有种群并找到更好的解。虽然这种优化方法可能很慢，但它可以避免陷入局部最小值，并且是一种易于实现和理解的简单算法。 微分进化也可以很容易地适应马尔可夫链蒙特卡罗方法。该包在 Go 编程语言中实现了差分进化和马尔可夫链蒙特卡洛差分进化。 更多详情、使用方法，请下载后阅读README.md文件

用 Object Pascal 编写的差分进化库。通过使用差分进化 (DE)，可以通过尝试改进关于给定质量度量的候选解决方案来迭代优化问题。

特征选择的二元差分进化 介绍 此工具箱提供二元差分进化 (BDE) 方法 该Main文件说明了 BDE 如何使用基准数据集解决特征选择问题的示例。 输入 feat ：特征向量（实例x特征） label ：标签向量（实例x 1） N : 解决方案的数量 max_Iter: 最大迭代次数 CR : 交叉率 更多详情、使用方法，请下载后阅读README.md文件

该实现利用差分进化来分析三维空间中的通用机器人系统，其链接由Denavit-Hartenberg 参数描述。优化（适应度函数）考虑了从操纵器（最后一个链接的末端）到空间中目标点的欧几里得距离。 该实现足够通用，可以针对系统的任何功能进行优化。出于演示目的，唯一的可变参数是 θ。 下面给出了一个具有四个链接的机器人系统的示例。 https://github.com/gabrieljablonski/inverse-kinematics-differential-evolution/blob/master/resources/robotic_system.png 更多详情、使用方法，请下载后阅读README.md文件

Ruby 中的差分进化 (DE) 算法

背景 进化优化算法是进化计算的一个子领域。他们的目标是在不使用任何梯度信息的情况下最小化/最大化函数（通常是因为没有可用的梯度）。它们具有通过繁殖、变异、评估和分类所谓的个体来探索搜索空间的共同属性。大多数进化算法旨在处理实值函数，但实际上它们通常用于处理更奇特的问题。例如，遗传算法可用于找到神经网络的最佳结构。 eaopt 提供各种进化优化算法的实现。在实现方面，这个想法是大多数（如果不是全部）所述算法可以写成遗传算法的特殊情况。实际上，这是通过使用遗传算法的通用定义，允许随意修改突变、交叉、选择和替换过程来实现的。该GA结构因此是 eaopt 最灵活的结构，其他算法都写在它之上。如果您没有找到任何适合您需要的算法，那么您可以轻松编写自己的运算符（如大多数示例中所做的那样）。 特征 使用一致的 API 可以使用不同的进化算法 您几乎可以使用GAstruct做任何事情 提供物种形成和迁移程序 常见的遗传算子（突变、交叉、选择、迁移、物种形成）已经实施 如果您的功能成本高昂，则可以并行进行功能评估

差分进化算法（DE）是一种多目标（连续变量）优化算法（MOEAs），用于求解多维空间中整体最优解。代码里面包含了20几种基准测试函数，用来测试算法的性能。 差分进化算法来源于早期提出的遗传算法（Genetic Algorithm，GA）。而差分进化算法引入了利用当前群体中个体差异来构造变异个体的差分变异模式，是其独特的进化方式。

差分进化算法求解平方和函数最小值，VS2013编程，C++语言

很实用的差分进化算法程序,对初学者很有参考价值