1、“.....这事实启发许多计算机科学家通过提出对原始算法的修改来改善差分演化。分演化应用综述。从算法都角度看，在中强调了差分演化成功原因由于这个算法结构包含了隐式自适应。具体来说，因为对于每个候选方案，搜索规则取决于属于其他群体解决方案如，和。检测新有前途后代解决方案能力取决于决策空间中溶液中电流分布。在优化过程中早期阶段，解决方案往往是散布在决策空间。对于个给定尺度因子值，这意味着这种突变似乎由个大探索空间产生新解决方法。如果和是相差很大解决方案，−是个向量，其特征是有个模数。在优化过程中，解决方案个体往往集中在特定部分决策空间。因此，突变步长在逐步减少，搜索在解邻域进行。换句话说，由于它结构，个差分演化方案在开始进化时是有高度利用价值，随后在优化中变得更加有利用价值。虽然这种机制似乎乍看非常有效，然而它隐藏了个限制。如果由于些原因在算法产生后代解决方案时没有成功......”。

2、“.....在每代，对于每个个体三个相互不同个体，和是从群体中提取伪随机序列。根据差分演化逻辑，个临时后代是由以下公式产生其中∈是个比例因子来控制向量−长度，因此决定距点距离。∈这意味着规模因素应该是不大于正数。虽然理论上没有限制，但其有效值很少超过。中所示突变方案也被认为是差分演化。突变规则变本也在随后论文中被提出。其中是群体中具有最佳性能个体。和是另外两个伪随序列。在这里值得提及在中给出旋转不变量。其中是组合系数，应从，均匀分布和中选择。对于这个特殊突变解决方案不进行交叉操作。因为它已经包含了交叉操作近来，个新突变策略被定义。这个策略包含以下内容对于给定，参数等于。当突变产生临时后代，每个个体基因与相应互换，最后由以下公式得出其中是在与之间随机数，是在检查中指数。这种交叉策略是众所周知二进制转换并被看做为本。为了完整性，我们提到存在些其他交叉策略，例如在中指数策略......”。

3、“.....因为它是最常用和最有前景。由此产生后代用来评估，根据个对产卵策略，当且仅当时，能代替，否则不能替代。为了清晰，伪代码在图中突出显示了差分演化工作原理。图差分演化项调查由第二节看出，差分演化基于很简单理念，即通过加入搜索向量和对产卵选择幸存者。因此，差分演化是很容易实现编码和对包含有限数量参数进行调整。此外，事实上，差分演化是相当强大，许多工程师和实践者在很多方面用到它。例如，在中给出了差分演化应用到多传感器融合问题。在和中给出了差分演化个基于混合算法气动设计应用。在和给出了差分演化在电力电子中应用。在中给出了差分演化在化学工程中应用。在中给出了个差分演化变体用于训练径向基函数网络。在，和，中用差分演化设计了个滤波器。在，中给出了个基于差分演化算法来实现工业应用中数字滤波器设计。在中给出了个应用于公路网容量优化应用。在中给出了差分演化应用综述......”。

4、“.....具体来说，因为对于每个候选方案，搜索规则取决于属于其他群体解决方案如，和。检测新有前途后代解决方案能力取决于决策空间中溶液中电流分布。在优化过程中早期阶段，解决方案往往是散布在决策空间。对于个给定尺度因子值，这意味着这种突变似乎由个大探索空间产生新解决方法。如果和是相差很大解决方案，−是个向量，其特征是有个模数。在优化过程中，解决方案个体往往集中在特定部分决策空间。因此，突变步长在逐步减少，搜索在解邻域进行。换句话说，由于它结构，个差分演化方案在开始进化时是有高度利用价值，随后在优化中变得更加有利用价值。虽然这种机制似乎乍看非常有效，然而它隐藏了个限制。如果由于些原因在算法产生后代解决方案时没有成功，即角度需要广泛举措来提高其检测新有发展前景解决方案能力。因为，如前所述，在种群规模上扩大导致增加潜在无效设置......”。

5、“.....高维度并不是差分演化为难点。在中强调，差分演化在噪声情况下优化问题和些具体对策应用中似乎是低效。在噪声环境下表现不佳差分演化可以解释为上面提到，个有效参数设置是非常容易出现问题这事实。个噪声环境下优化问题可以看作是个适应度随时间而变问题。因此，对于噪声环境下问题，个确定性比例因子选择是不足而且个标准差分演化在处理个嘈杂适应度函数时很容易失败，中给出了这实验。从不同角度看待这个问题，差分演化在噪声环境下采用了过多确定性搜索逻辑，因此近年来趋于停滞。近年来，尽管差分演化无疑是科学界公认个很好算法，对算法结构改进有相当大优势，特别是在解决疑难问题时。基于这些考虑，许多论文最近提出了修改差分演化结构。为了提高自适应算法健壮性，论文中提出大多数修改差分演化方案是适应或自适应。在和中提出了个简单处理噪声修改方案。个随机比例因子根据以下公式已经被使用其中，是个在......”。

6、“.....使用比例因子随机化不仅有益于噪声问题也有益于固定问题。虽然这个话题计算机科学家尚不清楚，个随机化比例因子补偿个标准化差分演化结构过度确定性搜索结构，提供新潜在搜索行动。在中，又提出了个时变比例因子。根据后者提议，在优化过程下降比例因子值会有高质量最终结果。对于这种成功机制解释可以被看作是在进化中个渐进缩小搜索，因此个探索行为在结束时优化可能伴随停滞。在，和中按照类似想法，为了实现参数和自适应采用了正态分布，自适应柯西分布。在中提出了另种类型带有混沌突变自适应。在中，在理论研究基础上尝试用确定概率法描述差分演化突变机制是，它是产生后代概率方法。在论文中，个随机算子集成在个差分演化框架中，来提高差分演化在组合优化中表现。另方面，在差分演化中使用随机化并不总是有利。例如，论文表明，经过比较分析，应避免使用随机向量基底。在中并没有用到随机化，它提出了最佳适应......”。

7、“.....经实证研究后这个交叉率已经设置等于。与不同，值是通过以下方案在每代中自适应更新其中下限，和是群体中最恰当最小值和最大值。在，中提出了领域搜索。在领域搜索中，比例因子由概率抽样值分布来调整。这种突变在领域搜索中遵循进化编程决定逻辑其中，是采样值正态分布，平均值和标准偏差为，是柯西分布个样值。它特点是个尺度参数等于。在论文中提出了个模糊控制器自适应设置参数集成差分演化。在，中首次提出了关于自适应种群规模尝试。最近在论文中提出了改善自适应种群规模两个不同实现方法。在中提出了三种相同方式差分演化修改版。在中提出了个多样性适应种群规模和其他参数。在中给出了差分演化采用些自适应方案比较分析。伪随机执行个体与个维决策空间均匀分布函数。在每代，对于每个个体三个相互不同个体，和是从群体中提取伪随机序列。根据差分演化逻辑，个临时后代是由以下公式产生其中∈是个比例因子来控制向量−长度......”。

8、“.....∈这意味着规模因素应该是不大于正数。虽然理论上没有限制，但其有效值很少超过。中所示突变方案也被认为是差分演化。突变规则变本也在随后论文中被提出。其中是群体中具有最佳性能个体。和是另外两个伪随序列。在这里值得提及在中给出旋转不变量。其中是组合系数，应从，均匀分布和中选择。对于这个特殊突变解决方案不进行交叉操作。因为它已经包含了交叉操作近来，个新突变策略被定义。这个策略包含以下内容对于给定，参数等于。当突变产生临时后代，中文字差分演化最新进展项调查和实验分析摘要差分演化是种简单而有效优化，尤其是持续优化。因此差分演化经常用于解决各种工程问题。另方面，差分演化结构在搜索逻辑中有些限制，因为它包含了套有局限探索方法。这事实启发许多计算机科学家通过提出对原始算法修改来改善差分演化。本文介绍了差分演化最近进展概况。这里提出了差分演化个分类，分成两大组在差分演化结构中集成附加组件算法......”。

9、“.....对于每个宏组，四个算法代表差分演化中最先进部分，已经被选来深入描述它们工作原理。为了比较他们性能，这八个算法已被用来测试组基准问题。实验在个相对低维情况下和个相对高维情况下重复进行。这篇论文也突出了最近提出差分演化算法工作原理，它们之间相同点和不同点等。尽管在这两个宏组中尚不清楚是否有个相对于其他算法更具优势，但还是能得出些结论。首先，为了改进差分演化性能，包括些额外和替代搜索功能修改是必要。这些额外修改应该帮助差分演化框架检测能为其所用新有前途搜索方向。因此，在成功协助差分演化方面，有限使用这些替代方法似乎是最好选择。额外成功方法是通过两种方式获得增大开发压力和引入些随机化。这种随机化不应该过度，因为它会妨碍搜索。为显著改进差分演化功能适当增加随机化是至关重要。数值结果显示，在这项研究中设计算法......”。