El algoritmo de evolución diferencial es un algoritmo de optimización basado en la teoría de la inteligencia de enjambre, que guía la búsqueda de optimización a través de la inteligencia de enjambre generada por la cooperación y competencia entre los individuos del grupo. Sin embargo, en comparación con los algoritmos evolutivos, DE conserva la estrategia de búsqueda global basada en la población y adopta operaciones de mutación simples basadas en codificación de números reales y una estrategia de supervivencia de competencia uno a uno, lo que reduce la complejidad de las operaciones genéticas. Al mismo tiempo, la capacidad de memoria única de DE le permite rastrear dinámicamente la situación de búsqueda actual para ajustar su estrategia de búsqueda. Tiene una gran capacidad de convergencia global y robustez, y es adecuado para resolver algunos problemas de optimización que no pueden resolverse mediante métodos de programación matemática convencionales en entornos complejos.
El algoritmo de evolución diferencial es un algoritmo basado en la evolución de la población que tiene las características de memorizar la solución óptima de los individuos y compartir información dentro de la población, es decir, resuelve problemas de optimización mediante la cooperación y la competencia entre individuos. dentro de la población. Su esencia es un algoritmo genético codicioso basado en la codificación de números reales y la idea de mantener ventajas.
DE es un algoritmo heurístico utilizado para problemas de optimización. Esencialmente, es un algoritmo genético codicioso basado en ideas de optimización de preservación y codificación de números reales. Al igual que el algoritmo genético, DE también incluye operaciones de mutación y cruce, pero al mismo tiempo, en comparación con la operación de selección del algoritmo genético, DE utiliza un mecanismo de eliminación uno a uno para actualizar la población. Debido a las ventajas del algoritmo de evolución diferencial en problemas de optimización de dominio continuo, se ha utilizado ampliamente y ha provocado un auge en el campo de la investigación de algoritmos evolutivos.
DE fue propuesto por Storn y Price. El principio del algoritmo es alterar la dirección del individuo para reducir el valor de la función individual. Al igual que otros algoritmos evolutivos, DE no utiliza la información de gradiente de la función objetivo, por lo que no requiere la diferenciabilidad o incluso la continuidad del objetivo, por lo que tiene una gran aplicabilidad. Al mismo tiempo, este algoritmo también tiene similitudes con el algoritmo de enjambre de partículas, pero debido a que DE considera la correlación entre variables hasta cierto punto, tiene grandes ventajas sobre el algoritmo de enjambre de partículas en términos de acoplamiento de variables. La implementación del algoritmo se refiere a la parte del código de implementación.