差分进化算法 差分进化算法(Differential Evolution Algorithm，DE)是一种高效的全局优化算法。它也是基于群体的启发式搜索算法，群中的每个个体对应一个解向量。 简单来说DE算法可用于求函数的极值点，例如：函数 求得极值点在(512.95, 404.43) 作者：Light-V

出了一个全新的混合算法并命名为微粒群差分算法，该算法在标准微粒群算法的基础上结合了差分进化算法用于求解约束的数值和工程优化问题。传统的标准微粒群算法由于其种群单一性容易陷入局部最优值，针对这一缺点利用差分进化算法中的变异、交叉、选择3个算子来更新每次迭代每个粒子新生产的位置以使粒子跳出局部优值。融合了标准微粒群算法和差分进化算法优点的混合算法加速了粒子的收敛速度。为了避免惩罚因子的选择对实验结果的影响，采取了可行规则法来处理约束优化问题。最后将微粒群差分算法用于5个基准函数和两个工程问题，并与其他算法作了比较，试验结果表明，微粒群差分算法算法具有很好的精准性、鲁棒性和有效性。

该算法具有相对更好的稳定性和全局寻优能力，用于优化参数效果更好。

差分算法的伪代码，初学者很好的材料，讲解详细，适合初学者和老手留着不时翻看，浅显易懂，又可以按其思路编程

Matlab写的，差分进化算法，对复杂函数收敛快，适合单目标优化。

% Project Code: YPEA107 % Project Title: Implementation of Differential Evolution (DE) in MATLAB % Publisher: Yarpiz (www.yarpiz.com) % Developer: S. Mostapha Kalami Heris (Member of Yarpiz Team)

混合CS(布谷鸟搜索)算法的DE(差分进化)算法(DE (differential evolution) algorithm for hybrid CS (cuckoo search) algorithm) alg_decs.m 混合CS算法的DE算法.pdf

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

该工具集包含以下文件： 1) MODEparam.m 生成运行 MODE 优化算法所需的参数。 2) MODE.m 运行优化算法。 它实现了基于差分进化 (DE) 算法的基本多目标优化算法： “Storn, R., Price, K., 1997。差分进化：一种简单有效的连续空间全局优化启发式方法。全球优化杂志 11, 341 – 359。” 当一个目标被优化时，标准 DE 运行； 如果优化了两个或多个目标，则使用优势关系执行 DE 算法中的贪婪选择步骤。 3) CostFuntion.m 要优化的成本函数。

利用差分演化算法求解函数的最小值，给出了十个实例函数。Matlab代码注释全