在优化问题的差分进化算法中。 涉及三个进化过程，即突变交叉和选择
我只是一个初学者，但我已经尝试删除交叉过程，与原始算法没有显着差异。
那么在差分进化算法中，交叉的重要性是什么？
【问题讨论】：
标签： optimization differential-evolution
如果您不使用交叉，您的算法可能只是探索问题搜索空间而不是利用它。一般来说，如果进化算法在探索率和利用率之间取得了良好的平衡，那么它就会成功。
例如DE/rand/1/Either-Or 是DE 的一种变体，它消除了交叉算子，但使用了有效的变异算子。根据Differential Evolution: A Survey of the State-of-the-Art，在该算法中，纯突变体的试验载体以pF 的概率出现，而纯重组体的试验载体以1 − pF 的概率出现。与经典的 DE 变体 rand/1/bin 和 target-to-best/1/bin (Main Reference) 相比，该变体显示出具有竞争力的结果。
X(i,G)是G代的第i个目标（父）向量，U(i,G)是它对应的试验向量，F是差分向量比例因子，k = 0.5*(F + 1)[in the original paper]。
在这个方案中没有使用交叉，但变异足够有效，可以与原始 DE 算法进行比较。
【讨论】：