شکل۳-۷: فرایند ادغام ۷ بعدی

شکل۳-۸: روند کلی الگوریتم تکامل تفاضلی

۳-۳-۲-۴ پارامترهاى کنترلى
اندازه جمعیت را مى­توان در اندازه­هاى کوچک، متوسط و بزرگ انتخاب نمود، که اندازه متنوع جمعیت مى­تواند در اکتشاف و زمان همگرایى تأثیرپذیر باشد.
عمدتاً در فرایند بهینه­سازى و کارایى تکامل تفاضلى، متأثر از دو پارامتر کنترلى F ، ضریب مقیاس گذارى و CR احتمال ترکیب مى­باشد.
۳-۳-۲-۴-۱ اندازه جمعیت NP
همانطور که در معادله نشان داده شد اندازه جمعیت تأثیر مستقیمى روى توانایى اکتشاف الگوریتم­هاى DE دارد. هر چقدر تعداد این افراد بیشتر باشد، تعداد بردارهاى تفاضلى بیشترى موجود خواهد بود و همچنین تعداد جهت­هاى بیشترى اکتشاف خواهد شد. با این وجود، باید در نظر داشت که پیچیدگى محاسباتى هر نسل با اندازه جمعیت افزایش مى­یابد. مطالعات تجربى زیادى نتیجه گرفته شده است که ، که در آن D و NP به ترتیب تعداد ابعاد و اندازه جمعیت مى­باشند.
۳-۳-۲-۴-۲ ضریب مقیاس گذارى F
ضریب مقیاس گذارى F میزان زیاد شدن اختلاف تفاضل را کنترل مى­کند، هر چقدر میزان F کوچکتر باشد، اندازه گام جهش نیز کوچکتر خواهد بود و هرچقدر این میزان بزرگتر باشد، منجر به همگرایى دیرتر الگوریتم مى­شود. مقادیر بزرگ F اکتشاف را ساده تر مى­سازد، اما ممکن است باعث شود که الگوریتم از نقطه بهینه مناسب فاصله بگیرد. مقدار F باید آنقدر کوچک باشد که به تفاضل­ها اجازه اکتشاف دره­هاى تنگ را بدهد و در ضمن آنقدر بزرگ باشد که تنوع جمعیت را حفظ کند و این خاصیت را از دست ندهد. نتایج تجربى نشان داده­اند که ارزش­هاى بزرگ براى هر دو فاکتور NP و F اغلب موجب همگرایى زودرس مى­گردد و اینکه عموماً کارایى بهترى را فراهم مى­آورد.
۳-۳-۲-۴-۳ احتمال ترکیب
احتمال ترکیب CR ، تأثیر مستقیمى روى تنوع DE دارد. این پارامتر تعداد عناصر والد که تغییر خواهد کرد را کنترل مى­کند. هرچقدر میزان این احتمال بیشتر باشد، تغییرات بیشترى در نسل جدید معرفى مى­شود و به موجب آن تنوع جمعیت و همچنین اکتشاف افزایش مى­یابد. افزایش CR اغلب باعث افزایش سریع تر همگرائى مى­گردد. در حالى که کاهش آن، قدرت جستجو را اقزایش مى­دهد. اکثر پیاده­ ­سازى­هاى استراتژى­هاى DE پارامترهاى کنترلى را ثابت نگه مى­دارند. اگر چه نتایج تجربى نشان داده­اند که همگرایى DE نسبت به ارزش­هاى متفاوت این پارامترها غیر حساس است. کارایى با یافتن بهترین مقدار براى این پارامترهاى کنترلى در هر مسئله مشخص مى­تواند بهبود یابد. یافتن مقادیر پارامترهاى کنترلى بهینه یک عمل زمان بر مى­باشد و به همین دلیل استراتژی­هاى DE خود تطبیق توسعه داده شده ­اند.[۳۶و۳۷]
۳-۳-۲-۵ استراتژى هاى متنوع DE
تغییرات متعددى روى DE پایه اعمال شده­است [۳۶و۳۷و۳۸]. استراتژى­هاى متفاوت DE در روشى که بردار هدف انتخاب شده است، تعداد بردارهاى تفاضلى استفاده شده و روشى که نقاط برش تعیین مى­شوند، فرق مى­کنند. به منظور دسته بندى این تغییرات یک نشانه­گذارى عمومى در DE با نام DE/x/y/z پذیرفته شده­ است. در این نماد x بردارى را مشخص مى کند که باید جهش یابد که فعلاً مى­تواند “rand ” ( یک بردار جمعیت انتخاب شده تصادفى ) یا “‘best” (بردارى با کمترین هزینه از جمعیت فعلى ) باشد. y تعداد بردارهاى تفاضلى استفاده شده و z روش ادغام را نشان مى­دهد که نوع فعلى “bin” مى­باشد. استراتژى DE که در بخش قبل شرح داده شد، DE/rand/1/bin مى­باشد.
۳-۳-۲-۵-۱ ۲/DE/rand
در این استراتژى بیش تر از یک بردار تفاضلى استفاده شده است. در نتیجه بردار هدف به صورت زیر محاسبه مى­گردد:

(۳-۱۳)

۳-۳-۲-۵-۲ ۱/DE/best
در این استراتژى بردار هدف به صورت بهترین فرد در جمعیت فعلى انتخاب مى­شود. در این مورد بردار هدف به صورت زیر محاسبه مى­گردد:

(۳-۱۴)