MATLAB中如何使用遗传算法

matlab有遗传算法工具箱。   

核心函数:  

(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)–初始种群的生成函数  【输出参数】  pop–生成的初始种群  【输入参数】  

num–种群中的个体数目  

bounds–代表变量的上下界的矩阵  eevalFN–适应度函数  

eevalOps–传递给适应度函数的参数  

options–选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如  precision–变量进行二进制编码时指定的精度  

F_or_B–为1时选择浮点编码,否则为二进制编码,由precision指定精度)   

 

(2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,…  termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)–遗传算法函数  【输出参数】  x–求得的最优解  endPop–最终得到的种群  bPop–最优种群的一个搜索轨迹  【输入参数】  

bounds–代表变量上下界的矩阵  evalFN–适应度函数  

evalOps–传递给适应度函数的参数  startPop-初始种群  

opts[epsilon prob_ops display]–opts(1:2)等同于initializega的options参数,第三个参数控制是否输出,一般为0。如[1e-6 1 0]  

termFN–终止函数的名称,如[‘maxGenTerm’]  termOps–传递个终止函数的参数,如[100]  selectFN–选择函数的名称,如[‘normGeomSelect’]  selectOps–传递个选择函数的参数,如[0.08]  

xOverFNs–交叉函数名称表,以空格分开,如[‘arithXover heuristicXover simpleXover’]  xOverOps–传递给交叉函数的参数表,如[2 0;2 3;2 0]  

mutFNs–变异函数表,如[‘boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation’]  mutOps–传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]   

【注意】matlab工具箱函数必须放在工作目录下  

 

遗传算法实例1

【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值,其中0<=x<=9  

【分析】选择二进制编码,种群中的个体数目为10,二进制编码长度为20,交叉概率为0.95,变异概率为0.08  【程序清单】  %编写目标函数  

function[sol,eval]=fitness(sol,options) 

x=sol(1);  
eval=x+10*sin(5*x)+7*cos(4*x);  
%把上述函数存储为fitness.m文件并放在工作目录下   
initPop=initializega(10,[0 9],’fitness’);%生成初始种群,大小为10  
[x endPop,bPop,trace]=ga([0 9],’fitness’,[],initPop,[1e-6 1 1],’maxGenTerm’,25,’normGeomSelect’,…  [0.08],[‘arithXover’],[2],’nonUnifMutation’,[2 25 3]) %25次遗传迭代   
运算借过为:x =  
7.8562 24.8553(当x为7.8562时,f(x)取最大值24.8553)   
注:遗传算法一般用来取得近似最优解,而不是最优解。  

   
遗传算法实例2   
【问题】在-5<=Xi<=5,i=1,2区间内,求解  
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。  
【分析】种群大小10,最大代数1000,变异率0.1,交叉率0.3  【程序清单】  
%源函数的matlab代码  function [eval]=f(sol)  numv=size(sol,2);  x=sol(1:numv);  
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282;  %适应度函数的matlab代码  
function [sol,eval]=fitness(sol,options)  numv=size(sol,2)-1;  x=sol(1:numv);  eval=f(x);  eval=-eval;  
%遗传算法的matlab代码  bounds=ones(2,1)*[-5 5];  
[p,endPop,bestSols,trace]=ga(bounds,’fitness’)   
注:前两个文件存储为m文件并放在工作目录下,运行结果为  p =  
0.0000 -0.0000 0.0055     

大家可以直接绘出f(x)的图形来大概看看f(x)的最值是多少,也可是使用优化函数来验证。matlab命令行执行命令:  
fplot(‘x+10*sin(5*x)+7*cos(4*x)’,[0,9])    
evalops是传递给适应度函数的参数,opts是二进制编码的精度,termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数,即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。

    原文作者:时光漫步LH
    原文地址: https://www.cnblogs.com/lihuidashen/p/3432962.html
    本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系博主进行删除。
点赞