进化算法复习：IDE

首先先介绍传统的差分进化（DE）算法的变异操作

其中 $x_b != x_{r1} != x_{r2}$，这三个变量均为种群中的任意一个个体。

IDE（Individual-dependent Differential Evolution） details

• IDE提出了一种新的便以机制：fitness排名高的个体会配置更低的缩放因子F的来exploit他附近的promising区域，fitness排名低的个体则配置更高的缩放因子F来explore距离他更远的区域来寻找更好的solution
• IDE提出一种基于排名的机制，在变异和交叉前首先对所有个体进行排序，更新公式为
• IDE在每次迭代前将个体分为两个集合S（superior）和I（inferior）（S中的fitness比I的小），IDE的变异公式为
  
  在算法的前期 $o=i$，在算法的后期 $o$随机选取（在算法前期为了加强种群多样性，在算法后期为了加快收敛）。 $better$从S中随机抽取。当o属于I的时候，可以用S的个体来引导个体去探索。怎么来定义算法前期和后期呢，使用一个阈值 $g_t$来划分。连续T代，后代成功进入下一代的比例SR都小于SRT时，改变变异策略。从为了加大种群多样性到为了加快收敛速度。
• 根据第一个公式中交叉率进行交叉