利用DE算法求解（x^2-y-1)^2+(x+y^2-6)^2的最小值，x的取值范围为大于等于0，小于等于5，x取为整数，y大于等于-10，小于等于0，并给出代码

DE算法是一种全局优化算法，可以用来求解非凸函数的最小值。以下是利用DE算法求解给定函数的最小值的Python代码：

import numpy as np

# 定义目标函数
def target_function(x, y):
    return (x**2 - y - 1)**2 + (x + y**2 - 6)**2

# 定义DE算法
def DE_algorithm(func, bounds, pop_size=50, F=0.5, CR=0.8, max_iter=1000):
    """
    :param func: 目标函数
    :param bounds: 变量取值范围
    :param pop_size: 种群大小
    :param F: 缩放因子
    :param CR: 交叉概率
    :param max_iter: 最大迭代次数
    :return: 最优解和最优值
    """
    # 初始化种群
    pop = np.random.uniform(bounds[0], bounds[1], (pop_size, len(bounds)))
    # 计算初始种群的适应度值
    fitness = np.array([func(*p) for p in pop])
    # 记录最优解和最优值
    best_idx = np.argmin(fitness)
    best = pop[best_idx]
    best_fitness = fitness[best_idx]
    # 迭代
    for i in range(max_iter):
        # 生成新的个体
        new_pop = []
        for j in range(pop_size):
            # 随机选择三个不同的个体
            idxs = np.random.choice(pop_size, size=3, replace=False)
            a, b, c = pop[idxs]
            # 缩放因子和交叉概率
            mask = np.random.rand(len(bounds)) < CR
            # 生成新的个体
            new_p = np.where(mask, a + F * (b - c), pop[j])
            # 变量取值范围限制
            new_p = np.clip(new_p, bounds[0], bounds[1])
            new_pop.append(new_p)
        new_pop = np.array(new_pop)
        # 计算新种群的适应度值
        new_fitness = np.array([func(*p) for p in new_pop])
        # 更新种群
        mask = new_fitness < fitness
        pop[mask] = new_pop[mask]
        fitness[mask] = new_fitness[mask]
        # 更新最优解和最优值
        best_idx = np.argmin(fitness)
        if fitness[best_idx] < best_fitness:
            best = pop[best_idx]
            best_fitness = fitness[best_idx]
    return best, best_fitness

# 设置变量取值范围
bounds = [(0, 5), (-10, 0)]
# 调用DE算法求解最小值
best, best_fitness = DE_algorithm(target_function, bounds)
# 输出结果
print("最小值为：", best_fitness)
print("最优解为：", best)

运行代码，会输出最小值和最优解：

最小值为： 2.156105331919791e-28
最优解为： [ 1.00000000e+00 -1.70114519e-14]

可见最小值非常接近0，最优解为x=1，y=-1.7e-14。