差分进化算法相对于遗传算法而言，相同点都是通过随机生成初始种群，以种群中每个个体的适应度值为选择标准，主要过程也都包括变异、交叉和选择三个步骤，和遗传算法几乎一致流程，只是细微变异选择操作不同。
不同之处在于遗传算法是根据适应度值来控制父代杂交，变异后产生的子代被选择的概率值，在最大化问题中适应值大的个体被选择的概率相应也会大一些。而差分进化算法变异向量是由父代差分向量生成，并与父代个体向量交叉生成新个体向量，直接与其父代个体进行选择。显然差分进化算法相对遗传算法的逼近效果更加显著。
种群初始化：
在每个维度的区间内，随机的产生相应初始解
变异:
在第g次迭代中，从种群中随机选择23个个体（策略不同有所不同）：Xp1(g),Xp2(g),Xp3(g)且p1≠p2≠p3≠i，生成的变异向量为：
通常还会依据适应度优越，对Xp1(g),Xp2(g),Xp3(g)进行排序，得到最好:Xb，最差Xw，中等Xm，然后这样计算：
F缩放因子，可以是随机的[0,2]数，也可以按照如下自适应计算：
其它变异策略：（Xbest当前全局最好）
交叉:
其中hi,j是上面变异步骤产生的Hi解的第j维的值，cr为一个取值率，既对第i=1,2,....N维上的值，以<=cr的概率取Hi中的第i维值，以>cr的概率取原先xi的值。最终产生新的解Vi，后面会用有产生的新解Vi，与原先父代解Xi进行对比，淘汰差的。
cr也可以有自适应计算形式：
选择：
既计算适应度/函数值，不失一般性，这里求极小值，f(Vi)<f(Xi)我们就贪心的保留Vi而替换Xi，既Xi的g+1代解Xi(g+1)为Vi(g)，否则不变保留：
附经典伪代码：
附自己实现的代码：
https://github.com/425776024/DE/tree/master/src
