差分进化算法(C++实现
时间: 2023-09-12 17:09:49 浏览: 117
差分进化算法是一种优化算法,用于寻找函数的最小值或最大值。它基于一种简单的思想:以种群为基础,通过随机生成的差分向量来进行变异,然后通过交叉操作来产生新的个体,并通过适应度函数来评估它们的适应性。
以下是差分进化算法的C++实现:
```
#include <iostream>
#include <cmath>
#include <vector>
#include <random>
#include <algorithm>
using namespace std;
// 定义适应度函数
double fitness(vector<double> x) {
double f = 0;
for (int i = 0; i < x.size(); i++) {
f += pow(x[i], 2);
}
return f;
}
// 定义差分进化算法
void differential_evolution(int dim, int pop_size, int max_iter, double F, double CR, vector<double> &lower, vector<double> &upper) {
// 初始化种群
random_device rd;
mt19937 gen(rd());
uniform_real_distribution<double> dis(0.0, 1.0);
vector<vector<double>> pop(pop_size, vector<double>(dim));
for (int i = 0; i < pop_size; i++) {
for (int j = 0; j < dim; j++) {
pop[i][j] = dis(gen) * (upper[j] - lower[j]) + lower[j];
}
}
// 开始迭代
for (int i = 0; i < max_iter; i++) {
// 变异
for (int j = 0; j < pop_size; j++) {
int r1, r2, r3;
do {
r1 = rand() % pop_size;
} while (r1 == j);
do {
r2 = rand() % pop_size;
} while (r2 == j || r2 == r1);
do {
r3 = rand() % pop_size;
} while (r3 == j || r3 == r1 || r3 == r2);
vector<double> mutant(dim);
for (int k = 0; k < dim; k++) {
mutant[k] = pop[r1][k] + F * (pop[r2][k] - pop[r3][k]);
mutant[k] = max(mutant[k], lower[k]);
mutant[k] = min(mutant[k], upper[k]);
}
// 交叉
vector<double> trial(dim);
int j_rand = rand() % dim;
for (int k = 0; k < dim; k++) {
if (dis(gen) < CR || k == j_rand) {
trial[k] = mutant[k];
} else {
trial[k] = pop[j][k];
}
}
// 选择
if (fitness(trial) < fitness(pop[j])) {
pop[j] = trial;
}
}
}
// 找到最优解
double best_fitness = fitness(pop[0]);
vector<double> best_individual = pop[0];
for (int i = 1; i < pop_size; i++) {
double f = fitness(pop[i]);
if (f < best_fitness) {
best_fitness = f;
best_individual = pop[i];
}
}
// 输出结果
cout << "best fitness: " << best_fitness << endl;
cout << "best individual: ";
for (int i = 0; i < best_individual.size(); i++) {
cout << best_individual[i] << " ";
}
cout << endl;
}
int main() {
int dim = 10;
int pop_size = 50;
int max_iter = 1000;
double F = 0.8;
double CR = 0.5;
vector<double> lower(dim, -5);
vector<double> upper(dim, 5);
differential_evolution(dim, pop_size, max_iter, F, CR, lower, upper);
return 0;
}
```
在本例中,我们使用适应度函数$f(x)=\sum_{i=1}^d x_i^2$,其中$d$是问题的维度。我们将最小化这个函数,因此我们将使用差分进化算法来寻找最小值。
在函数`differential_evolution()`中,我们首先使用随机数生成器初始化种群。然后我们开始迭代,每次迭代都进行变异、交叉和选择操作。在变异操作中,我们将使用随机选择的个体$r_1,r_2,r_3$来生成差分向量,然后将其与当前个体相加,从而生成突变个体。在交叉操作中,我们随机选择一个位置$j$,并使用突变个体中的值来替换当前个体中的值。在选择操作中,我们比较突变个体和当前个体的适应度,并选择适应度更高的个体作为下一代。
最后,我们找到最优解,并输出结果。在本例中,我们使用了一个10维问题,种群大小为50,最大迭代次数为1000,差分进化算法参数$F=0.8$,$CR=0.5$,搜索范围为$[-5,5]$。