Ewolucja różnicowa (DE) to populacyjna technika wyszukiwania metaheurystycznego, która optymalizuje problem poprzez ewolucję potencjalnego rozwiązania. Takie algorytmy przyjmują niewiele lub nie przyjmują żadnych założeń dotyczących problemu optymalizacyjnego, który próbują rozwiązać, i mogą szybko przyjrzeć się wielu możliwym projektom.

W obliczeniach ewolucyjnych DE jest metodą, która próbuje znaleźć najlepsze rozwiązanie problemu, próbując w kółko ulepszać potencjalne rozwiązanie w oparciu o określoną miarę jakości. Metody te nazywane są metaheurystykami, ponieważ przyjmują niewiele założeń dotyczących problemu optymalizacyjnego i mogą wypróbować wiele rozwiązań. Ale metaheurystyki, takie jak DE, nie gwarantują, że kiedykolwiek zostanie znaleziona najlepsza odpowiedź.

DE służy do optymalizacji wielowymiarowych funkcji o wartościach rzeczywistych, ale nie wykorzystuje gradientu optymalizowanego problemu. Oznacza to, że problem optymalizacyjny nie musi być różniczkowalny, jak ma to miejsce w przypadku metod zejścia gradientowego i quasi-Newtona. W rezultacie DE może rozwiązywać problemy optymalizacyjne, które nie są nawet ciągłe, są hałaśliwe, zmieniają się w czasie itp.

DE optymalizuje problem poprzez utrzymywanie populacji rozwiązań kandydujących, tworzenie nowych poprzez łączenie obecnych z jego podstawowymi równaniami i zachowywanie rozwiązania kandydującego z najwyższym wynikiem lub dopasowaniem. W ten sposób problem optymalizacji jest postrzegany jako czarna skrzynka, która daje miarę jakości dla potencjalnego rozwiązania; stąd gradient jest niepotrzebny.

Storn i Price wprowadzili DE w latach 90. Książki udokumentowały teoretyczne i praktyczne elementy stosowania DE w obliczeniach równoległych, optymalizacji wielokryterialnej, optymalizacji z ograniczeniami i ocenach w terenie. Ponadto artykuły w czasopismach zawierają przeglądy wielu aspektów badawczych DE.

Algorytm

Prostym sposobem działania algorytmu DE jest posiadanie grupy możliwych rozwiązań (zwanych agentami). Agenci ci poruszają się po przestrzeni poszukiwań, łącząc pozycje istniejących agentów z populacji z prostymi formułami matematycznymi. Jeśli nowa pozycja agenta jest lepsza, zostaje zaakceptowana i dodana do populacji. Jeśli tak nie jest, nowa pozycja jest po prostu odrzucana. Robiąc to wielokrotnie, mamy nadzieję, ale nie gwarantujemy, że w końcu zostanie znalezione dobre rozwiązanie.

Prawo DE

W obliczeniach ewolucyjnych DE jest metodą, która próbuje znaleźć najlepsze rozwiązanie problemu poprzez wielokrotne próby ulepszenia potencjalnego rozwiązania w oparciu o określoną miarę jakości.

Parametry

Obecnie algorytm ewolucji różnicowej ma cztery losowe parametry dostrajania: wielkość populacji, wagę różnicową, krzyżowanie i numer pokolenia.

Różnica

Ewolucja różnicowa różni się od konwencjonalnych algorytmów genetycznych tym, że uwzględnia informacje kierunkowe w obrębie populacji, wykorzystując wektor docelowy i jednostkowy. Te cechy pozwalają ewolucji zróżnicowanej na szybsze zbieganie się w rozwiązaniach kosztem eksploracji.

Aplikacja

Ewolucja różniczkowa (DE) to oparty na populacji algorytm ewolucyjny, często używany do rozwiązywania wielowymiarowych globalnych problemów optymalizacyjnych w przestrzeniach ciągłych. Został on z powodzeniem wykorzystany do rozwiązania wielu różnych rodzajów problemów.

Korzyści

Algorytm DE to nowy stochastyczny algorytm optymalizacji oparty na populacjach. Zaletą DE jest to, że jest prosty, szybki i wykorzystuje prawdziwe kodowanie. Jest również łatwy w użyciu, ma funkcję wyszukiwania lokalnego i jest szybki.