注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。

1. 代码实现

不了解差分进化算法可以先看看优化算法笔记（七）差分进化算法

实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。

以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。

差分进化算法个体
文件名：.. \optimization algorithm\algorithm_differential_evolution\DE_Unit.m

% 差分进化算法个体
classdef DE_Unit < Unit
    
    properties
        % 个体的新位置(变异位置，交叉选择用)
        position_new
    end
    
    methods
        function self = DE_Unit()
        end
    end
    
end

差分进化算法主体
文件名：..\optimization algorithm\ algorithm_differential_evolution\DE_Base.m

% 差分进化算法
classdef DE_Base < Algorithm_Impl
    
    properties
        % 算法名称
        name = 'DE';
        % 交叉率
        cross_rate;
        % 变异率
        alter_factor;
        
    end
    
    % 外部可调用的方法
    methods
        function self = DE_Base(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数
            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
    
    % 继承重写父类的方法
    methods (Access = protected)
        % 初始化种群
        function init(self)
            init@Algorithm_Impl(self)
            %初始化种群
            for i = 1:self.size 
                unit = DE_Unit();
                % 随机初始化位置：rand(0,1).*(max-min)+min
                unit.position = unifrnd(self.range_min_list,self.range_max_list);
                unit.position_new = unit.position;
                % 计算适应度值
                unit.value = self.cal_fitfunction(unit.position);
                % 将个体加入群体数组
                self.unit_list = [self.unit_list,unit];
            end
        end
        
        % 每一代的更新
        function update(self,iter)
            update@Algorithm_Impl(self,iter)
            % 变异
            self.altered();
            % 交叉
            self.cross();
            % 选择
            self.choose();
        end
        
        % 变异
        function altered(self)
            % 遍历所有个体
            for i = 1:self.size
                % 在群体中随机选择3个个体
                % 1.先将群体的id乱序
                % 2.从乱序中选择前3个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
                
                % 变异得到新位置
                % 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);
                % 保存该变异位置
                self.unit_list(i).position_new = new_pos;
            end
        end
        
        % 交叉
        function cross(self)
            % 遍历步长为2，相邻两个个体交叉
            for i = 1:self.size
                % 随机选择一维
                cur_dim = unidrnd(self.dim);
                for d = 1:self.dim
                    % 满足交叉条件则将原对应个体对应维度保留
                    r = unifrnd (0,1);
                    if(r<self.cross_rate || d == cur_dim)
                        % 保持不变
                    else
                        self.unit_list(i).position_new(d) = self.unit_list(i).position(d);
                    end
                end
            end
        end
        
        % 选择个体,贪心算法保留对应个体
        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
算法实现，继承于Base,图方便也可不写，直接用DE_Base，这里为了命名一致。

% DE实现
classdef DE_Impl < DE_Base
    
    properties
    end   

    % 外部可调用的方法
    methods
        function self = DE_Impl(dim,size,iter_max,range_min_list,range_max_list)
            % 调用父类构造函数设置参数
             self@DE_Base(dim,size,iter_max,range_min_list,range_max_list);
        end
    end 
end

2. 测试

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

%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;

%% 添加框架路径
% 将上级目录中的frame文件夹加入路径
addpath('../frame')

%% 选择测试函数
Function_name='F1';
% [最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);

%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim)*ub;
% 取值范围下界
range_min_list = ones(1,dim)*lb;

% 实例化差分进化算法类
base = DE_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();

%% 绘制图像
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);
% 绘制曲线
semilogy(base.value_best_history,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
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)]);