差分进化算法解决有约束优化问题（Python实现）
差分进化算法（Differential Evolution）是演化算法（evolutionary algorithms，简称EAs）的成员之一。EAs的成员还包括著名的遗传算法（Genetic Algorithm）等。
DE在某些问题上表现非常良好，值得一试。
这里演示用 scikit-opt 实现差分进化算法
Step1：定义你的问题，
这里定义了一个有约束优化问题
m i n f ( x 1 , x 2 , x 3 ) = x 1 2 + x 2 2 + x 3 2 min f(x1, x2, x3) = x1^2 + x2^2 + x3^2 minf(x1,x2,x3)=x12+x22+x32
s.t.
x 1 x 2 > = 1 x1x2 >= 1 x1x2>=1
x 1 x 2 < = 5 x1x2 <= 5 x1x2<=5
x 2 + x 3 = 1 x2+x3 = 1 x2+x3=1
0 < = x 1 , x 2 , x 3 < = 5 0 <= x1, x2, x3 <= 5 0<=x1,x2,x3<=5
def obj_func(p):
x1, x2, x3 = p
return x1 ** 2 + x2 ** 2 + x3 ** 2
constraint_eq = [
lambda x: 1 - x[1] - x[2]
]
constraint_ueq = [
lambda x: 1 - x[0] * x[1],
lambda x: x[0] * x[1] - 5
]
Step2: 做差分进化算法
from sko.DE import DE
de = DE(func=obj_func, n_dim=3, size_pop=50, max_iter=800, lb=[0, 0, 0], ub=[5, 5, 5],
constraint_eq=constraint_eq, constraint_ueq=constraint_ueq)
best_x, best_y = de.run()
print('best_x:', best_x, '\n', 'best_y:', best_y)
打印的结果非常接近真实最优值(1,1,0)