差分进化算法python实现

差分进化算法（Differential Evolution，DE）是一种基于群体智能的全局优化算法，广泛应用于优化问题的求解。下面是差分进化算法的 Python 实现示例：

import random
import numpy as np

# 定义目标函数
def target_func(x):
    return x[0]**2 + x[1]**2

# 差分进化算法主函数
def DE(func, bounds, size=100, max_iter=1000, F=0.5, CR=0.3):
    # 初始化种群
    pop = np.zeros((size, len(bounds)))
    for i in range(size):
        for j in range(len(bounds)):
            pop[i][j] = random.uniform(bounds[j][0], bounds[j][1])

    # 开始迭代
    for i in range(max_iter):
        for j in range(size):
            # 随机选择 3 个不同的个体
            idxs = [idx for idx in range(size) if idx != j]
            a, b, c = random.sample(idxs, 3)

            # 变异操作
            mutant = pop[a] + F * (pop[b] - pop[c])

            # 交叉操作
            trial = np.zeros(len(bounds))
            j_rand = random.randint(0, len(bounds) - 1)
            for k in range(len(bounds)):
                if random.random() < CR or k == j_rand:
                    trial[k] = mutant[k]
                else:
                    trial[k] = pop[j][k]

            # 选择操作
            if func(trial) < func(pop[j]):
                pop[j] = trial

    # 返回最优解和最优值
    best_idx = np.argmin([func(p) for p in pop])
    best_sol = pop[best_idx]
    best_val = func(best_sol)
    return best_sol, best_val

上述代码中，`target_func` 函数为目标函数，`bounds` 为变量范围，`size` 为种群大小，`max_iter` 为最大迭代次数，`F` 和 `CR` 分别为差分进化算法的两个参数。函数返回最优解和最优值。