该差分进化算法采用python进行编写，使用定义函数的方式编写种群的初始化、变异、交叉、选择部分，利于读者理解差分进化算法的原理编写！

分别用改进的粒子群优化算法和改进的差分进化算法求解柔性作业车间调度问题 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。DE文件夹中的三个文件分别采用三种不同的初始化方式，其中DE_first.py采用的是完全随机的

matlab开发，实现车间调度问题，可以自己设置工件工序数据。 global mn nn ma ;%mn为总工件数，nn为总工序数，ma为机器数计数从1开始 global M T; %/M为以工件为行，工序为列的机器号矩阵，T为相应的时间矩阵 %global finish;%finish为O（ijk）能够完成的最早时间； global MAX INF;%MAX为数组的最大值，INF为规定的最大值

此代码是关于自适应突变策略与参数的差分进化算法(HSDE)，该算法与于2016提出的，在测试单目标性能上是非常不错的。文献来源于：A new differential evolution algorithm with a hybrid mutation operator and self-adapting control parameters for global optimization problems

大数据-算法-高维优化进化算法及其应.pdf

JADE，通过实施一种新的变异策略“DE/current-to-pbest”，可选的外部存档和以自适应方式更新控制参数来提高优化性能。 DE/current-to-pbest 是经典的“DE/current-to-best”的概括，而可选的归档操作利用历史数据来提供进度方向的信息。这两种操作都使种群多样化并提高了收敛性能。参数自适应自动将控制参数更新为适当的值，避免了用户对参数设置与优化问题特征之间关系的先验知识。因此有助于提高算法的鲁棒性。仿真结果表明，在一组 20 个基准问题的收敛性能方面，JADE 优于或至少可与其他经典或自适应 DE 算法、规范粒子群优化和文献中的其他进化算法相媲美。带有外部存档的 JADE 显示了对于相对高维问题的有希望的结果。此外，它清楚地表明，没有固定的控制参数设置适用于各种问题，甚至是单个问题的不同优化阶段。

大数据-算法-高维多目标进化算法研究.pdf

CI进化算法

为提高非支配排序遗传算法（NSGA-Ⅱ）的搜索精度和多样性，借鉴差分进化中加强局部搜索的策略，提出了一种改进的NSGA-Ⅱ算法（LDMNSGA-Ⅱ）。该算法利用拉丁超立方体抽样技术对解种群进行初始化，保证种群的初始分布能够均匀，采用差分进化中的变异引导算子和交叉算子替换NSGA-Ⅱ的交叉算子，加强局部搜索能力和提高搜索精度，同时保留NSGA-Ⅱ中的变异算子，保留算法多样性。四个经典测试函数的仿真结果表明，该算法LDMNSGA-Ⅱ在解决多目标优化问题中表现出了良好的综合性能。

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。