为增强差分进化算法的局部搜索能力,一种新局部搜索策略引入到差分进化算法中,从而提出一种新局部搜索策略的差分进化算法。该算法用局部搜索得到新个体替换较劣个体,使其跳出局部最优,以此增强种群的多样性。数值实验选取4个测试函数,并与差分进化算法进行比较,结果表明算法的有效性。

差分进化算法（DE算法）的主要特性是通过个体间的差异实现个体变异。变异向量由随机选取的个体向量与另外两个随机选取的个体间的差向量求和得到。相比于经典的变异算子，更加贴近个体重组的变异算子的差分是DE算法特有的。DE算法的这个主要特性是由于在它进行变异的时候有一个自我参照的变异向量，使得它在搜索空间内能够循序渐进的搜索。

为了提高多目标优化算法解集的分布性和收敛性,提出一种基于分解和差分进化的多目标粒子群优化算法(dMOPSO-DE).该算法通过提出方向角产生一组均匀的方向向量,确保粒子分布的均匀性;引入隐式精英保持策略和差分进化修正机制选择全局最优粒子,避免种群陷入局部最优Pareto前沿;采用粒子重置策略保证群体的多样性.与非支配排序(NSGA-II)算法、多目标粒子群优化(MOPSO)算法、分解多目标粒子群优化(dMOPSO)算法和分解多目标进化-差分进化(MOEA/D-DE)算法进行比较,实验结果表明,所提出算法在求解多目标优化问题时具有良好的收敛性和多样性.

针对差分进化算法易出现早熟现象和收敛速度慢等问题, 提出一种具有人工蜂群搜索策略的差分进化算 法. 利用人工蜂群搜索策略很强的探索能力, 对种群进行引导以帮助算法快速跳出局部最优点. 此外, 为了提高算法 的全局收敛速度, 采用一种基于反学习的初始化方法. 通过对12 个标准测试函数进行仿真实验并与其他算法相比较, 表明了所提出的算法具有较快的收敛速度和很强的跳出局部最优的能力.

DE差分进化算法，适应值和迭代次数之间的函数图展示，有测试代码，希望对你有用

MATLAB，差分进化算法，注释详细 Author: Rainer Storn, Ken Price, Arnold Neumaier, Jim Van Zandt

根据Rainer Storn和Kenneth Price在1997年发表的文章Differential Evolution - A Simple and Efficient Heuristic for Global Optimization over Continuous制作，内附原文及代码。

差分进化算法（DE） MATLAB代码 差分进化算法（DE） MATLAB代码

完整代码，可直接运行

本程序采用差分进化算法迭代搜索给定功能函数的最大值。