Kenneth V�盤rice:獻(xiàn)給我的父親。
Rainer M�盨torn :獻(xiàn)給曾給我支持的父母、我深愛的妻子Marion、我可愛的孩子Maja和Robin.Jouni A�盠ampinen:獻(xiàn)給曾與我在鄉(xiāng)村和城鎮(zhèn)一起愉快生活的、也是我非常要好的朋友——小狗Tonique.前言優(yōu)化問題廣泛存在于科學(xué)研究和工程領(lǐng)域中。什么形狀的機(jī)翼能夠提供最大的升力？何種多項(xiàng)式最能擬合給定數(shù)據(jù)？哪種配置的聚焦透鏡組合能夠生成最銳利的圖像？這些問題是研究人員在工作中經(jīng)常會(huì)碰到的基本問題，毫無疑問，他們需要一種魯棒性的優(yōu)化算法去解決這些問題。
一般來說，解決一個(gè)難度大的“優(yōu)化問題”，其問題本身不應(yīng)很難，如，一個(gè)擁有豐富機(jī)械理論知識(shí)的結(jié)構(gòu)工程師可能不需要具備同樣程度的優(yōu)化知識(shí)去修改他的設(shè)計(jì)。除了易于使用之外，一個(gè)全局優(yōu)化算法應(yīng)能足夠有效地收斂到真實(shí)最優(yōu)解。此外，搜尋解的計(jì)算時(shí)間不應(yīng)過長(zhǎng)。因此，一個(gè)真正有效的全局優(yōu)化算法應(yīng)該實(shí)現(xiàn)簡(jiǎn)單、易于使用、可靠快速。
差分進(jìn)化算法(Differential Evolution，以下簡(jiǎn)稱DE)正是這種方法。自1995年發(fā)表以來，DE被譽(yù)為一種非常高效的全局優(yōu)化器。但DE并非萬(wàn)能，它良好的可靠性及魯棒性需要每個(gè)科學(xué)家及工程師的智慧。
DE源于遺傳退火算法(Genetic Annealing Algorithm)，由Kenneth Price提出并發(fā)表在Dr.Dobb′s Journal (DDJ) 1994年10月刊上，這是一本很流行的程序員雜志。遺傳退火算法是一種基于種群的組合優(yōu)化算法，實(shí)現(xiàn)了經(jīng)由閾值的退火準(zhǔn)則。遺傳退火算法在DDJ上出現(xiàn)后，Ken與Rainer Storn博士(來自西門子當(dāng)時(shí)在加州伯克利大學(xué)的國(guó)際計(jì)算機(jī)科學(xué)研究所，現(xiàn)就職于德國(guó)慕尼黑的R&S公司（Rohde & Schwarz GmbH）一起應(yīng)用遺傳退火算法解決了切比雪夫多項(xiàng)式擬合問題（Chebyshev polynomial fitting problem）。而很多人認(rèn)為用一種通用的優(yōu)化算法確定切比雪夫多項(xiàng)式的系數(shù)是一項(xiàng)非常困難的任務(wù)。
Ken最終用遺傳退火算法解決了五維切比雪夫問題，但收斂過程很慢且有效的控制參數(shù)很難確定。在此之后，Ken改進(jìn)了遺傳退火算法，使用浮點(diǎn)數(shù)替換位串編碼并用算術(shù)運(yùn)算替換邏輯運(yùn)算，然后他發(fā)現(xiàn)了DE的基礎(chǔ)差分變異操作。綜合起來，這些有效的改進(jìn)形成了一種數(shù)值優(yōu)化的組合算法，即首次迭代DE。為了更好地適應(yīng)并行計(jì)算機(jī)體系，Rainer提出創(chuàng)建單獨(dú)的父代種群和子代種群。不同于遺傳退火算法，DE在處理33維切比雪夫多項(xiàng)式多項(xiàng)式系數(shù)問題時(shí)并不困難。
DE的有效性并不只在切比雪夫多項(xiàng)式中得到了證明，在許多其他函數(shù)測(cè)試中也有不俗的表現(xiàn)。1995年，Rainer和Ken在ICSI的技術(shù)報(bào)告TR��95��012中發(fā)表了早期的研究結(jié)果：“差分進(jìn)化：一種用于求解連續(xù)空間中全局優(yōu)化的簡(jiǎn)單、有效的自適應(yīng)模式”（Differential Evolution—A Simple and Efficient Adaptive Scheme for Global Optimization over Continuous Spaces）。基于差分進(jìn)化算法的成功表現(xiàn)，Rainer和Ken參加了1996年5月在日本名古屋市同時(shí)舉辦的首屆國(guó)際進(jìn)化算法大賽（ICEO）和IEEE國(guó)際進(jìn)化計(jì)算會(huì)議。DE算法取得了第三名的佳績(jī)，雖然前兩名的算法在競(jìng)賽函數(shù)測(cè)試中得分很高，但這兩種算法不夠靈活，不能定義為通用的優(yōu)化算法。排名第一位的算法只適用于可分量的競(jìng)賽函數(shù)，而排名第二的算法因要計(jì)算拉丁方而無法處理大量參數(shù)。受此鼓舞，Rainer與Ken于1997年4月在DDJ上又發(fā)表了一篇名為Different Evolution—A Simple Evolution Strategy for Fast Optimization的文章，文章深受好評(píng)，并將DE介紹給全世界的讀者。
前言前言許多研究者閱讀了Rainer與Ken在1997年12月發(fā)表在The Journal of Global Optimization雜志上的文章Differential Evolution—A Simple and Efficient Heuristic for Global Optimization over Continuous Spaces， 文章給出了大量DE在各種測(cè)試函數(shù)中魯棒性的實(shí)驗(yàn)性證據(jù)。大約在同一時(shí)期，Rainer建立了一個(gè)DE的網(wǎng)站(http://www.icsi.berkeley.edu/~storn/code/html)，該網(wǎng)站有DE的詳細(xì)代碼、DE的應(yīng)用及改進(jìn)。
Ken參加了于1997年4月在美國(guó)印第安納州的印第安納波利斯舉辦的第二屆國(guó)際進(jìn)化算法大賽（ICEO），由于種種原因?qū)е赂?jìng)賽結(jié)果未公開，但DE表現(xiàn)優(yōu)秀。在本次會(huì)議中，Ken遇見了David博士，隨后邀請(qǐng)他撰寫了DE的概要介紹，名為New Ideas in Optimization(1999)。從此以后，Ken專注于精煉DE算法，并進(jìn)行理論研究來解釋算法性能。Rainer致力于在有限資源設(shè)備上實(shí)現(xiàn)DE，并開發(fā)了多種編程語(yǔ)言的軟件應(yīng)用程序。此外Rainer還將DE作為高效工具應(yīng)用在濾波器設(shè)計(jì)、中心設(shè)計(jì)和組合優(yōu)化問題中。
芬蘭的Jouni Lampinen教授(拉彭蘭塔理工大學(xué)，芬蘭，拉彭蘭塔)于1998年開始研究DE。除了對(duì)DE的理論有所貢獻(xiàn)外，他還證明了DE在機(jī)械工程應(yīng)用中的成效，Jouni也針對(duì)特別需求的約束多目標(biāo)優(yōu)化問題設(shè)計(jì)了簡(jiǎn)單高效的DE自適應(yīng)算法。Jouni還建立了DE的文獻(xiàn)目錄網(wǎng)站(http://www.lut.fi/~jlampine/debiblio.html)。
就像DE算法一樣，本書的目的是使讀者對(duì)DE便于理解和應(yīng)用。本書主要講解了DE的工作原理，及適合于在哪些場(chǎng)合使用。第1章“差分進(jìn)化的研究動(dòng)機(jī)”，以一個(gè)常見的優(yōu)化問題開始，通過對(duì)傳統(tǒng)方法優(yōu)劣的討論