文献《Differential Evolution with Neighborhood Mutation for Multimodal Optimization》核心技术点总结，网上几乎没有关于多模DE算法的博文，主要是自己复习总结，也和大家一起学习。文章现在读不难，依然记得大一的我，要理解一篇这种文章，简直太难了，看那篇DE文章就不知道看了多久。
DE（Differential Evolution）回顾
DE是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。DE保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，DE特有的记忆能力使其可以动态跟踪当前的搜索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性。
DE 算法主要用于求解连续变量的全局优化问题，其主要工作步骤与其他进化算法基本一致，主要包括变异(Mutation)、交叉(Crossover)、选择(Selection)三种操作。算法的基本思想是从某一随机产生的初始群体开始，利用从种群中随机选取的两个个体（(r_1,r_2)）的差向量作为第三个个体的随机变化源（(r_1-r_2)），将差向量加权后(权重(F))按照一定的规则与第三个个体求和（(r_3+F(r_1-r_2))）而产生变异个体，该操作称为变异。然后，变异个体与某个预先决定的目标个体(种群中第(i)个个体)进行参数混合，生成试验个体(i')，这一过程称之为交叉。如果试验个体(i')的适应度值优于目标个体(i)的适应度值，则在下一代中试验个体取代目标个体，否则目标个体仍保存下来，该操作称为选择(利用(Fitness函数))。在每一代的进化过程中，每一个体矢量作为目标个体一次，算法通过不断地迭代计算，保留优良个体，淘汰劣质个体，引导搜索过程向全局最优解逼近。
C语言伪代码
niching
小生境技术：在一个种群中形成子种群，每个子种群目标是找到一个最优解，整个种群找到多组最优解。CDE和SDE都是使用niching技术的DE。
CDE（Crowding DE )
CDE策略是使用标准DE生成子代，这个子代和当前种群中最相似的个体比较，保留更优的个体。标准DE的是把尝试的个体与父代比较，选择保留更优的个体。所以CDE就是一种拥挤策略，少保留相似的。
SDE（Species-Based DE)
首先确定几个名词：
- radius parameter (r_s):Euclidean distance from the center of a species to its boundary.
- species seed:The center of a species.
利用种群相似度分组，平均复杂度(O(N^2))
- SDE就是把种群利用相似度分组，首先按照适应度排序，把第一个最优个体作为第一个种群的中心，其他个体如果和中心距离小于(r_s),则归纳到同一组，否则剩下的按照相同方式分组。
- 对每个种群，执行全局DE：
如果一个种群数量小于(m),那么随机生成新的个体加入其中，需要满足半径参数要求。
如果子代个体fitness和species seed相同，则用随机个体取代该子代个体。
带领域的DE(Neighborhood Based Differential Evolution)
在标准DE中，运行任意两个个体形成差分向量，这种策略对于单个全局最优解表现很好，但是对于多模问题，如果使用全局DE，在最终搜索阶段对多峰优化所需的多个局部收敛是无效的。虽然niching技术解决了一部分这种问题，但是例如SDE这种技术太过依赖niching的参数设置。
领域DE的一个最重要的概念就是领域变异（neighborhood mutation）。
在邻域变异中，差分向量的生成仅限于用欧几里德距离度量的若干个相似个体。核心思想是：
对于NP个个体，计算每个个体距离最近的(m)个个体，形成一个子种群，在子种群中选择(r_1,r_2,r_3)三个不同个体，和第i个个体选择形成子代(u_i)。再使用差分小生境策略选择NP个最佳个体。
下图展示为什么领域变异更加有效，A和B是当前点，(O_1和O_2)是两个peak，对于A,B点使用领域内的差分变异向量更可能locate到(O_1和O_2).
核心算法1：NCDE（the neighborhood based crowding DE）
首先生成NP个初始解，对于每个个体，找到(m)个最为相似的个体形成子种群(subpop_i),在(subpop_i)中找到(r_1,r_2,r_3)，使用DE得到(u_i)，计算(u_i)到整个种群其他个体的距离，比较和(u_i)距离最近的个体的适应度，如果(u_i)更优，则取代。相比CDE，NCDE只是加入了领域变异，十分简单。
核心算法2：NSDE（the neighborhood based speciation DE）
首先生成NP个初始解，适应度排序，确定未处理的最优个体，找到距离最相近的(m)个个体形成新的种群，在当前种群中移除处理了的个体，直到当前种群为空。对于每个种群执行全局DE，如果孩子适应度和父亲一样，用随机个体取代孩子。最后保留NP个更优的个体组合成下一代种群。相比SDE，也只是加入了一个领域变异，不需要确定参数r了。
updata matlab代码
由于有"学友"在csdn上询问代码的事情，代码我就给出来吧！原始代码的是实验室学长们的，后来自己修修改改，可读性估计蛮差了，但是也有一些自己的注释。如果对matlab熟悉的话，应该还好，当然首先是对DE和ncsd已经nsde算法流程很熟悉。
现在的学习方向和这已经偏差很多的，但是这类优化算法还是特别有意思的。记得g老师说“优化加学习，必成必杀技”，哈哈！
博客园好像上传的文件不能共享下载，放到scdn上，关注即可下载！
code link