注意：此代碼實現的是求目標函數最大值，求最小值可將適應度函數乘以-1（框架代碼已實現）。
注意：此代碼實現的是求目標函數最大值，求最小值可將適應度函數乘以-1（框架代碼已實現）。
注意：此代碼實現的是求目標函數最大值，求最小值可將適應度函數乘以-1（框架代碼已實現）。

1. 代碼實現

不了解差分進化算法可以先看看優(yōu)化算法筆記（七）差分進化算法

實現代碼前需要先完成優(yōu)化算法matlab實現（二）框架編寫中的框架的編寫。

以及優(yōu)化算法matlab實現（四）測試粒子群算法中的測試函數、函數圖像的編寫。

差分進化算法個體
文件名：.. \optimization algorithm\algorithm_differential_evolution\DE_Unit.m

% 差分進化算法個體
classdef DE_Unit < Unit
    
    properties
        % 個體的新位置(變異位置，交叉選擇用)
        position_new
    end
    
    methods
        function self = DE_Unit()
        end
    end
    
end

差分進化算法主體
文件名：..\optimization algorithm\ algorithm_differential_evolution\DE_Base.m

% 差分進化算法
classdef DE_Base < Algorithm_Impl
    
    properties
        % 算法名稱
        name = 'DE';
        % 交叉率
        cross_rate;
        % 變異率
        alter_factor;
        
    end
    
    % 外部可調用的方法
    methods
        function self = DE_Base(dim,size,iter_max,range_min_list,range_max_list)
            % 調用父類構造函數
            self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
            self.cross_rate = 0.3;
            self.alter_factor = 0.5;
        end
    end
    
    % 繼承重寫父類的方法
    methods (Access = protected)
        % 初始化種群
        function init(self)
            init@Algorithm_Impl(self)
            %初始化種群
            for i = 1:self.size 
                unit = DE_Unit();
                % 隨機初始化位置：rand(0,1).*(max-min)+min
                unit.position = unifrnd(self.range_min_list,self.range_max_list);
                unit.position_new = unit.position;
                % 計算適應度值
                unit.value = self.cal_fitfunction(unit.position);
                % 將個體加入群體數組
                self.unit_list = [self.unit_list,unit];
            end
        end
        
        % 每一代的更新
        function update(self,iter)
            update@Algorithm_Impl(self,iter)
            % 變異
            self.altered();
            % 交叉
            self.cross();
            % 選擇
            self.choose();
        end
        
        % 變異
        function altered(self)
            % 遍歷所有個體
            for i = 1:self.size
                % 在群體中隨機選擇3個個體
                % 1.先將群體的id亂序
                % 2.從亂序中選擇前3個id
                rand_id_list = randperm(self.size);
                r1 = rand_id_list(1);
                r2 = rand_id_list(2);
                r3 = rand_id_list(3);
                if (r1 == i)
                    r1 =rand_id_list(4);
                end
                if (r2 == i)
                    r2 =rand_id_list(4);
                end
                if (r3 == i)
                    r3 =rand_id_list(4);
                end
                
                % 變異得到新位置
                % new_pos = rand_1_pos+f*(rand_2_pos - rand_3_pos)
                new_pos = self.unit_list(r1).position + self.alter_factor*(self.unit_list(r2).position - self.unit_list(r3).position);
                new_pos = self.get_out_bound_value(new_pos);
                % 保存該變異位置
                self.unit_list(i).position_new = new_pos;
            end
        end
        
        % 交叉
        function cross(self)
            % 遍歷步長為2，相鄰兩個個體交叉
            for i = 1:self.size
                % 隨機選擇一維
                cur_dim = unidrnd(self.dim);
                for d = 1:self.dim
                    % 滿足交叉條件則將原對應個體對應維度保留
                    r = unifrnd (0,1);
                    if(r<self.cross_rate || d == cur_dim)
                        % 保持不變
                    else
                        self.unit_list(i).position_new(d) = self.unit_list(i).position(d);
                    end
                end
            end
        end
        
        % 選擇個體,貪心算法保留對應個體
        function choose(self)
            for i = 1:self.size
                new_value = self.cal_fitfunction(self.unit_list(i).position_new);
                if (new_value > self.unit_list(i).value)
                    self.unit_list(i).value = new_value;
                    self.unit_list(i).position = self.unit_list(i).position_new;
                end
            end
        end
        
        
    end
end

文件名：..\optimization algorithm\algorithm_differential_evolution\DE_Impl.m
算法實現，繼承于Base,圖方便也可不寫，直接用DE_Base，這里為了命名一致。

% DE實現
classdef DE_Impl < DE_Base
    
    properties
    end   

    % 外部可調用的方法
    methods
        function self = DE_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 調用父類構造函數設置參數
             self@DE_Base(dim,size,iter_max,range_min_list,range_max_list);
        end
    end 
end

2. 測試

測試F1
文件名：..\optimization algorithm\algorithm_differential_evolution \Test.m

%% 清理之前的數據
% 清除所有數據
clear all;
% 清除窗口輸出
clc;

%% 添加框架路徑
% 將上級目錄中的frame文件夾加入路徑
addpath('../frame')

%% 選擇測試函數
Function_name='F1';
% [最小值，最大值，維度，測試函數]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

%% 算法實例
% 種群數量
size = 50;
% 最大迭代次數
iter_max = 1000;
% 取值范圍上界
range_max_list = ones(1,dim)*ub;
% 取值范圍下界
range_min_list = ones(1,dim)*lb;

% 實例化差分進化算法類
base = DE_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告訴算法求不是求最大值
base.is_cal_max = false;
% 確定適應度函數
base.fitfunction =fobj;
% 運行
base.run();

%% 繪制圖像
figure('Position',[500 500 660 290])
% Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
% Draw objective space
subplot(1,2,2);
% 繪制曲線
semilogy(base.value_best_history,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 將坐標軸調整為緊湊型
axis tight
% 添加網格
grid on
% 四邊都顯示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);