1. 差分进化算法能不能解决多目标问题
当然是可以的，这种典型EAs（演化计算算法）或者称population-based算法对于任何优化问题，总能搜索出一个解。
如果把多目标优化问题看成目标函数的给定问题，就可以了。
2. 差分演化算法优化pid参数的matlab程序
解决方案1： 直接用缉鼎光刮叱钙癸水含惊ifft();例如信号x y=fft(x);%对信号傅里叶变换到频域 z=ifft(y);%对信号y傅里叶反变换到时域， 解决方案2： 工具箱埃IFFT()函数
3. 差分进化算法和遗传算法有甚么区分
遗传:生物亲代与子代之间、子代体之间类似现象.
父母基因特点传给子女进化:专指生物由简单复杂、由低级高级发展变化又称作演变作算法而言也与之类似根据限制条件使部份特性满足者继续遗传特性便成进化因此遗传进化基础遗传包括于进化遗传进化必要条件
4. 差分进化算法的主要操作算子有哪些
进化算法EA(evolutionary algorithms)是一个“算法簇”，尽管它有很多的变化，有不同的遗传基因表达方式，不同的交叉和变异算子，特殊算子的引用，以及不同的再生和选择方法，但它们产生的灵感都来自于大自然的生物进化。
5. 用差分进化算法训练神经网络大约多久
应该没有太大的关系吧，我对遗传算法了解一点，遗传算法主要用来优化神经网络第一次运行时所用的连接权值，因为随机的连接权值往往不能对针对的问题有比较好的收敛效果（Matlab神经网络工具箱自动生成的初始权值其实已经比较好了）。
6. 多目标差分进化算法
差分进化算法(Differential Evolution, DE)是一种基于群体差异的启发式随机搜索算法，该算法是由R.Storn和K.Price为求解Chebyshev多项式而提出的。是一种用于最佳化问题的后设启发式算法。本质上说，它是一种基于实数编码的具有保优思想的贪婪遗传算法。
将问题的求解表示成"染色体"的适者生存过程，通过"染色体"群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到"最适应环境"的个体，从而求得问题的最优解或满意解。
差分进化算法类似遗传算法，包含变异，交叉操作，淘汰机制，而差分进化算法与遗传算法不同之处，在于变异的部分是随选两个解成员变数的差异，经过伸缩后加入当前解成员的变数上，因此差分进化算法无须使用概率分布产生下一代解成员。最优化方法分为传统优化方法和启发式优化方法两大类。传统的优化方法大多数都是利用目标函数的导数求解；而启发式优化方法以仿生算法为主，通过启发式搜索策略实现求解优化。启发式搜索算法不要求目标函数连续、可微等信息，具有较好的全局寻优能力，成为最优化领域的研究热点。
在人工智能领域中，演化算法是演化计算的一个分支。它是一种基于群体的元启发式优化算法，具有自适应、自搜索、自组织和隐并行性等特点。近年来，很多学者将演化算法应用到优化领域中，取得了很大的成功，并已引起了人们的广泛关注。越来越多的研究者加入到演化优化的研究之中，并对演化算法作了许多改进，使其更适合各种优化问题。目前，演化算法已广泛应用于求解无约束函数优化、约束函数优化、组合优化、多目标优化等多种优化问题中。
7. 差分进化算法matlab的小例子
差分进化算法matlab的小例子
在内存管理方案中放置的第三种类型是类型引用，引用通常就是一个指针。我们不会显示的使用指针，它们由公共语言运行时（CLR）来管理。
8. 差分进化算法优化svm可以用spss modeler实现吗
优化的不行，要用R
9. 差分进化和粒子群算法有什么关系
这四个都属于人工智能算法的范畴。其中BP算法、BP神经网络和神经网络属于神经网络这个大类。遗传算法为进化算法这个大类。神经网络模拟人类大脑神经计算过程，可以实现高度非线性的预测和计算，主要用于非线性拟合，识别，特点是需要“训练”，给一些输入，告诉他正确的输出。若干次后，再给新的输入，神经网络就能正确的预测对于的输出。神经网络广泛的运用在模式识别，故障诊断中。BP算法和BP神经网络是神经网络的改进版，修正了一些神经网络的缺点。遗传算法属于进化算法，模拟大自然生物进化的过程：优胜略汰。个体不断进化，只有高质量的个体（目标函数最小（大））才能进入下一代的繁殖。如此往复，最终找到全局最优值。遗传算法能够很好的解决常规优化算法无法解决的高度非线性优化问题，广泛应用在各行各业中。差分进化，蚁群算法，粒子群算法等都属于进化算法，只是模拟的生物群体对象不一样而已。