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。

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！

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

研究无时限单向物流配送车辆路径问题,主要考虑车辆容量、最大距离等约束,考虑车辆满载情况,以车辆非满载率最小、总的行驶路径最短为目标,提出了该物流配送问题的多目标优化问题的数学模型,运用差分进化算法求解该问题。算法构造了合适的编码方法,应用Matlab语言编程进行实例仿真计算,得到了模型的最优解,验证了算法的有效性。

针对差分进化算法其算法思想简明、实现方便而得到了国际进化计算研究领域的认可,多目标问题中,由于各目标之间经常是相互制约的,因此优化难度相当大。带时间窗的多目标物流配送车辆路径优化的多约束性使得它很难应用进化算法进行优化。为了解决这个问题,本文通过变异操作算子改进,成功将改进的差分进化算法应用于该问题。数值仿真实验结果表明:这种改进的差分进化算法得到了较稳定的非支配解集,实现了客户间的路径优化。

差分进化算法 Python 实现。除此之外，还有这些算法的集合：差分进化算法、遗传算法、粒子群算法、模拟退火算法、蚁群算法、免疫优化算法、鱼群算法

内含差分进化算法的五种变异策略

MATLAB 差分进化算法 注释详细 已封装成函数形式 Author: Rainer Storn, Ken Price, Arnold Neumaier, Jim Van Zandt

在本文中，已提出加权差分进化算法（WDE）来解决实值数值优化问题。 当 WDE 的所有参数都是随机确定时，实际上，WDE 没有控制参数，只有图案大小。 WDE 可以解决单峰、多峰、可分离、可扩展和混合问题。 WDE 具有非常快速且非常简单的结构，此外，由于其非递归性，它可以并行化。 WDE具有很强的探索和开发能力。 在本文中，WDE 在解决 CEC'2013 问题方面的成功与 4 个不同的 EA（即 CS、ABC、JADE 和 BSA）进行了统计比较。 一个 3D 几何优化问题（即 GPS 网络调整问题）和 4 个受约束的工程设计问题被用来检验 WDE 解决现实世界问题的能力。 从执行的测试中获得的结果表明，总的来说，WDE 解决问题的成功率在统计上优于本文中使用的比较算法。

基于改进差分进化算法-径向基神经网络的电热水浴串级控制系统研究.pdf