很多刚开始接触智能优化算法的朋友，第一段需要亲手写的 MATLAB 程序，往往就是“差分进化算法matlab源码，跑单目标 sphere 函数”。这个组合看起来简单，其实非常值得认真对待：差分进化（DE）是连续全局优化里最经典的算法之一，而 sphere 函数则是所有测试函数里最基础的“体检项目”。它能让你在 10 分钟里跑通一套完整的进化算法流程：种群初始化、变异、交叉、选择、收敛曲线，也能把算法里最容易踩坑的细节暴露出来。

如果你是正在做智能算法实验、课程设计或者论文对比实验的人，我的建议很直接：先把这套代码吃透，再谈改进。它能解决的最实际问题，就是让你手里有一个逻辑清晰、可复现、能自由替换目标函数的 DE 基线版本。下面我会把每一步的思路和实现细节都讲清楚，代码给你可以直接抄，重点是我踩过的一些坑也会一并写出来。

1. 项目拆解：为什么用 DE 和 Sphere 作为入门组合

1.1 Sphere 函数：一套最简单的“算法体检器”

Sphere 函数的数学定义非常简单：f(x) = sum(x_i^2)，x 是一个 D 维实数向量。它的性质非常干净：连续、凸、单峰、关于原点对称，唯一的全局最优解是全零向量，最优值是 0。搜索范围通常取 x_i ∈ [-100, 100]，维度 D 在基准测试里常见取 30。

正因为干净，它特别适合用来验证算法实现的正确性。如果差分进化在这个函数上都不能稳定收敛到接近 0 的量级，那大概率是代码有 bug 或者参数设置不合理。反过来，如果连 sphere 都跑不明白，直接拿 Rastrigin、Ackley 这类多峰函数去调参数，最后的收敛曲线一团糟，你根本分不清是算法能力不行还是代码本身有问题。先用 sphere 做最小可用验证，再去挑战复杂函数，这才是稳妥的实验路径。

我在实际教学和帮人看代码的时候，见过太多人省略这一步。他们一上来就用了多峰函数，然后发现结果不好，开始怀疑各种参数，最后定位到是交叉环节少写了一个 jrand。这种问题放在 sphere 上，最快一轮迭代就能看出异常，不至于浪费半天时间。

1.2 为什么选 DE 而不是遗传算法、粒子群

很多人会问：单目标连续优化，为什么不用遗传算法（GA）或者粒子群（PSO）？能用，但 DE 有三个非常适合做基线的特点。

第一，调参少。GA 要操心交叉率、变异率、选择压力，PSO 要操心惯性权重和两个学习因子。DE 的核心参数只有三个：种群规模 NP、缩放因子 F、交叉概率 CR，而且经典默认值已经相当稳。参数少，意味着你在入门阶段可以把更多注意力放在理解算法结构上，而不是在参数旋钮之间反复横跳。

第二，编码天然贴合。连续优化问题里，种群个体本身就是实参数向量，不需要像 GA 那样做二进制编解码，也不存在映射误差。这让 DE 的实现代码更短，逻辑更直观。

第三，搜索步长有自适应特性。DE 的变异向量完全由种群自身生成，种群分散的时候差分向量大，搜索步长自动变大；种群收敛后差分向量变小，搜索步长自动精细化。这种特性让 DE 对目标函数的尺度变化不那么敏感，也不需要你手动设计一个退火系数。当然，这不代表 DE 在所有问题上都吊打其他算法，但作为教学和基线实验，它的“容错率”最高。

1.3 策略定位：先跑通经典的 rand/1/bin

DE 的策略名通常写成 DE/a/b/c 的形式，a 表示基向量的选择方式，b 表示差分项的个数，c 表示交叉方式。这个项目用的是 DE/rand/1/bin，含义是：基向量从种群中随机选择，使用 1 个差分项，交叉方式采用二项式交叉。

为什么不直接上收敛更快的 best/1 或者 current-to-best 这类变体？因为这类变体把基向量换成当前最优个体，收敛速度确实会快，但探索性明显下降。拿它跑 sphere 这种单峰函数当然没问题，一旦换到多峰函数，非常容易早熟，种群一窝蜂聚到某个局部最优附近。rand/1 的随机基向量保留了更强的种群多样性，更适合作为入门基线。

我的建议是：这个项目只专注一种策略，先把最小闭环跑通。等你理解了整个流程，再去扩展 best 系列、自适应 F/CR 这些内容，阻力会小很多。上来就追求花哨策略，反而容易被各种参数耦合绕晕。

2. 算法核心细节解析：变异、交叉、选择到底在干什么

2.1 变异算子：差分向量就是有方向的步长

DE 的变异公式很简洁：V = X_r1 + F * (X_r2 - X_r3)。

这里 X_r1 是基向量，决定变异后解的大致位置；X_r2 - X_r3 是差分项，方向由当前种群中随机两个个体确定。重点在于差分向量的模长，它其实是在自动感知当前搜索区域的“尺度”。算法前期，种群个体散落在整个搜索空间里，随机两个个体的差可能很大，变异步长就大，能快速探索广阔区域；后期种群集中在最优解附近，差分向量大幅缩小，搜索自然变成精细打磨。这就是 DE 能兼顾前期探索和后期收敛的内生机制，非常巧妙。

F 是缩放因子，用来放大或缩小差分向量。F 取 0.5 是很常见的起点，也是经典论文里推荐的组合之一。F 太大，变异向量容易一步越出边界；F 太小，种群容易陷入停滞。对 sphere 这种简单函数，0.5 基本不会出问题。

还有一个容易忽略的细节：r1 最好不要等于当前个体 i。很多教学代码图省事，直接从整个种群随机抽三个个体，结果 r1 可能落到 i 自己头上，相当于当前个体只是在原来位置附近做了个小扰动，没有真正和别的个体交换信息。这个项目在实现时用 setdiff 先把 i 排除，再从剩下 NP-1 个个体里随机抽三个。这么做更严谨，也符合 DE 的标准定义。

注意：一旦你改变了随机数取样顺序，比如从 randperm(NP, 3) 改成 setdiff 加 randperm，同样的随机种子产生的收敛曲线也会变化。如果要严格复现别人的结果，最好连采样方式都保持一致。

2.2 交叉算子：CR 怎么定，为什么要有 jrand

二项式交叉的任务，是决定变异向量 V 和父代 X_i 在每一维上谁说了算。控制它的核心参数是交叉概率 CR。

具体流程是：对每一维 j，如果 rand < CR，或者 j 正好等于随机抽取的 jrand，就把 V(j) 赋给子代 U(j)，否则保留 X(i, j)。CR 大，子代大部分维度来自变异向量，探索性强，能大步跨过搜索空间；CR 小，子代大部分维度保留父代，搜索更精细，但探索新区域的能力弱。对 sphere 这种可分离、没有变量间耦合的函数，CR 设在 0.7 到 0.9 通常效果很好，大交叉维度能加速收敛。

jrand 的作用是保证子代至少有一个维度来自变异向量。如果没有这个强制位，就可能出现所有维度都随机选中父代的情况，那这次变异和评估就白做了，浪费一次目标函数计算，还容易让算法在后期出现停滞。我见过不少人把 jrand 写进循环里，每一维都重新生成一次，结果也能跑，但逻辑上已经偏离了标准二项式交叉的定义。正确做法是在循环开始前先取一次 jrand，循环内用同一个值判断。

二项式交叉和指数交叉（exp）的区别，简单说就是：二项式交叉每维独立判断，指数交叉要求连续一段维度被选中。这个项目只实现前者，已经足够覆盖入门需要。

2.3 边界处理与贪婪选择：别让小细节毁掉实验

变异可能把 V 推出搜索空间，如果不加处理，直接拿越界向量去求目标函数值，结果只会越来越离谱，种群最终会追着一个超范围的点跑，实验数据完全不可信。

最常用也最省事的处理是截断：V = max(min(V, Xmax), Xmin)，把所有维度拉回边界内。但要注意，截断会让大量个体贴在边界上。对 sphere 来说最优解在原点，边界堆积个体影响不大；如果换成最优解本身在边界附近的问题，截断就可能扰乱收敛精度。碰到边界敏感的问题，可以试试反射策略，某维越界就按“2 倍边界减越界值”折回，让个体重新回到可搜索空间内部。

选择部分用的是贪婪准则：新解 U 的适应度不差于当前解，就替换。代码里用 <= 而不是 <，加上等号条件可以温和地保留旧解，避免种群所有个体过快同化。这里不需要额外设置精英保留机制，因为 DE 当前种群中的历史最优个体一定会保留下来，种群最优值天然不会变差。

3. MATLAB 源码实现与运行结果解读

3.1 可以直接跑的主程序代码

下面这份代码已经跑通，逻辑清晰，适合直接复制保存成脚本运行。

%% 差分进化算法求解 Sphere 函数（单目标最小化） % 策略：DE/rand/1/bin % 实现说明：教学用途，以可读性优先 clc; clear; close all; rng(2025); % 固定随机种子，保证可复现 % ---------- 参数配置 ---------- D = 30; % 决策变量维度 NP = 50; % 种群规模 F = 0.5; % 变异缩放因子 CR = 0.9; % 交叉概率 MaxGen = 500; % 最大迭代次数 Xmin = -100; % 搜索空间下界 Xmax = 100; % 搜索空间上界 % 目标函数：Sphere，全局最优解为全零向量，最优值为 0 fun = @(x) sum(x.^2); % ---------- 种群初始化 ---------- X = Xmin + rand(NP, D) * (Xmax - Xmin); fitness = zeros(NP, 1); for i = 1:NP fitness(i) = fun(X(i, :)); end [bestFit, bestIdx] = min(fitness); bestX = X(bestIdx, :); bestHistory = zeros(1, MaxGen); % ---------- 进化主循环 ---------- for gen = 1:MaxGen for i = 1:NP % 1) 变异：从除当前个体外的种群中随机选 3 个个体 candidate = setdiff(1:NP, i); r = candidate(randperm(length(candidate), 3)); V = X(r(1), :) + F * (X(r(2), :) - X(r(3), :)); % 2) 边界截断 V = max(min(V, Xmax), Xmin); % 3) 二项式交叉 U = X(i, :); jrand = randi([1, D]); for j = 1:D if rand < CR || j == jrand U(j) = V(j); end end % 4) 选择：最小化问题，newFit 不差于当前解则替换 newFit = fun(U); if newFit <= fitness(i) X(i, :) = U; fitness(i) = newFit; end end % 记录每代最优 [bestFit, bestIdx] = min(fitness); bestX = X(bestIdx, :); bestHistory(gen) = bestFit; if mod(gen, 50) == 0 fprintf('Generation %3d | Best fitness = %.8e\n', gen, bestFit); end end % ---------- 结果输出与绘图 ---------- fprintf('Best value: %.10e\n', bestFit); fprintf('Best position (前5维): %s ...\n', mat2str(bestX(1:5), 6)); figure; semilogy(1:MaxGen, bestHistory, 'LineWidth', 1.8); xlabel('迭代次数'); ylabel('最优目标函数值'); title('DE 在 30 维 Sphere 函数上的收敛曲线'); grid on;

提示：对 sphere 这类最简单的问题，参数不是重点，代码逻辑的正确性才是重点。调参实验留到后续换复杂函数时再认真做。

3.2 代码逐段解读：从初始化到主循环

参数区里，D 取 30 是基准测试的经典设置，搜索范围 [-100, 100] 也是 sphere 的常见定义域。NP 取 50，大约是 10D 的经验值，Storn 和 Price 早期论文里给出的经典原则就是 NP 取 10D 左右。F 和 CR 分别取 0.5 和 0.9，这套组合在一大堆单峰函数实验里都表现稳定。

目标函数用匿名函数fun = @(x) sum(x.^2)定义，好处是之后想换成 Rastrigin、Rosenbrock 或者其他工程目标，只需要改这一行，其他代码完全不用动。这就是函数句柄比硬编码函数调用更灵活的地方。

种群初始化就是均匀随机采样：Xmin + rand(NP, D) * (Xmax - Xmin)。注意这里是对整个矩阵做运算，MATLAB 矩阵化操作比写双层 for 循环快得多，代码也更简洁。初始化之后，逐个计算初代适应度，用 min 找到当前最优解和最优个体。

主循环里最值得解释的有三处。第一，变异阶段为什么用 setdiff(1:NP, i)：这是防止当前个体被选为基向量，确保每一代里每个个体都在和其他个体进行信息交换。第二，边界截断为什么放在交叉之前：变异后先把 V 的每一维拉回合法范围，交叉时无论子代 U 取父代还是变异向量，整体都满足边界约束，逻辑上少一次越界检查。第三，jrand 必须在 for 循环外提前取好，否则每一维的“强制位”就变成了随机概率事件，不符合二项式交叉的定义。

代码末尾的 semilogy 用对数纵轴画图。为什么不用 plot？因为最优目标值从初始的 1e3 量级一路掉到 1e-10 量级，跨越十几个数量级，线性坐标下低值区域会紧紧贴住横轴，根本看不出后期收敛精度。用对数轴才能完整看清整个优化过程。

3.3 收敛曲线怎么看

跑完这份代码，你应该能看到一条先陡峭后平缓的下降曲线。前期陡峭说明算法在快速逼近最优区域，后期平缓说明开始精细搜索。500 代对于 30 维 sphere 函数来说很充裕，一般随机种子下都能收敛到 1e-10 以下，甚至接近浮点精度极限。

如果你画出来的曲线一开始就平了，而且最优值很大，那基本可以断定代码逻辑或者参数有问题。先别急着怀疑 DE 算法的能力，逐项检查：目标函数有没有写成 sum(x)^2 这种错误形式，边界处理有没有漏掉，randperm 抽取个体时有没有排除自身。

这里要特别强调一点：DE 是随机算法，单次运行的结果不能说明任何问题。做实验时一定要固定随机种子，跑 20 到 30 次，记录平均值、中位数和标准差。只用一次运气最好的结果写报告，是学术诚信和工程严谨性的大忌。我写代码时直接加了rng(2025)，就是为了保证任何人拿到同一份代码，跑出来的收敛曲线完全一致，复现零障碍。

4. 调参实验与常见问题排查实录

4.1 参数对照速查：NP、F、CR、MaxGen 怎么调

调试参数时不要四五个参数一起改，否则出了问题根本定位不了原因。我的调试顺序是：先把 F 固定在 0.5、CR 固定在 0.9，单独调整 NP，找到种群多样性和计算成本之间的平衡点；然后固定 NP，调 F，观察曲线是否出现震荡；最后才动 CR。每步只改一个变量，记录结果，再改动下一个。

还有一个很容易忽略的点：维度变了，参数也要跟着变。D 只有 10 的时候，NP 取 50 已经很大；D 涨到 100，NP 反而建议取 2D 到 5D，一味调大种群会大幅增加计算时间，收益却很有限。换测试函数时，搜索范围也必须同步改。比如 Rastrigin 函数常用定义域是 [-5.12, 5.12]，Rosenbrock 可能是 [-2.048, 2.048]，这些范围和 sphere 的 [-100, 100] 完全不同。

4.2 典型故障现象与解决思路

有一个我反复踩过的坑：调试时最优值总是卡在 1e2 附近，查了半天代码，最后发现是sum(x.^2)被改成了sum(x)^2，一个括号的位置差异导致整个搜索方向完全错误。所以遇到异常，第一件事永远是验证目标函数本身，而不是急着调参数。

4.3 三个让结果更稳的小习惯

第一个习惯，固定随机种子。每个实验脚本第一行就写好rng(一个你喜欢的数字)，实验报告里明确标注种子值，别人才能原样复现你的结果。这不仅是好习惯，也是对实验可复现性的基本尊重。

第二个习惯，把核心逻辑封装成函数。项目标题叫“matlab源码”，但实际做实验时，你肯定不希望每次换一个目标函数都要复制整个脚本。建议把 DE 主循环写成一个函数，入参包含 D、NP、F、CR、MaxGen、目标函数句柄，返回值是历史最优值和最优位置。这样后续做算法对比时，只需要在实验脚本里循环调用不同函数，代码管理会清爽很多。脚本版本便于教学理解，函数版本便于后续复用，两者不冲突。

第三个习惯，保存每一代最优解个体，而不只是最优值。bestHistory 只记录数值变化其实够用来画收敛曲线，但如果你想分析算法的收敛行为，观察最优个体每一维是否真的逼近零向量，还需要保存 bestX 的历史。这个数据对判断是否早熟、是否发生了边界粘连问题，非常有价值。

最后再分享一点我的实际体会

我帮人定位 DE 问题的时候，最花时间的往往不是算法本身的 bug，而是参数设置太极端。F 取 1.2、CR 取 0.1 这类组合，放在某些增强策略里也许有特殊效果，放在经典 rand/1/bin 里只会让收敛曲线像心电图一样乱跳。拿到这份代码的朋友，我建议先别急着改策略，而是用 D=2、D=10、D=30 三组维度各跑一遍，对比最优值和收敛曲线的形状，把算法的基本手感建立起来。跑明白了再考虑把变异策略换成 best/1 或者自适应变体，把目标函数换成 Rastrigin、Rosenbrock，甚至添加约束条件。差分进化这套流程吃透之后，你再去看 JADE、SHADE 之类改进型算法，会发现所有花样本质上都是把“随机差分扰动”这个核心底子包装得更精细了。