遗传算法,遗传算法

遗传算法

1、遗传算法是非常好的非线性搜索算法,是一种全局寻优的近似方法

 

2、遗传算法的步骤:

1)将问题的解写成编码的形式,随机产生第一代种群。

2)选择:选择一些染色体来产生下一代。根据适应度F(i)以比例选择算法从种群中选出2个个体。

3)对选出的2个个体按交叉概率执行交叉操作,再按变异概率执行变异操作

4)重插入:将处理后的2个个体加入新的种群。

 

3、工具箱

这里运用的工具箱是GATBX遗传算法工具箱

1)创建随机的初始种群

Chrom=crtbp(Nind, Lind)

Nind种群个体数目,Lind是个体编码的长度;Chrom是Nind*Lind的矩阵

2)选择

适应度值Fitnv=rank(Objv)

根据目标函数值分配适应度值,注意该函数是从最小值方向分配的。

Selch=select(‘method’, chrom, Fitnv, GGap)

method:选择的方法,sus(遍历随机抽样)/rws(轮盘赌)

GGAp:代沟,衡量每一代被选择发生变化的程度

3)交叉

Selch=recombin(‘method’, oldchrom, XoVR)

method:交叉的方法,xovsp(单点交叉)/ xovdp(两点交叉)/ xovsh(洗牌交叉)

XoVR:交叉概率

4)变异

Selch=mut(oldchrom)

一般用mut完成二进制和整数的变异操作

5)重插入

[Chrom ObjV]=reins(Chrom, SelCh, Subpop, Insopt, ObjVch, ObjVSel)

Subpop:指明Chorm中子种群的个数

Insopt:指明子代代替父代的方法,0代表均匀随机选择,1代表适应度选择

 

4、举例(此处将不断更新)

example1:

简单一元函数优化实例,利用遗传算法计算下面函数的最大值:

f(x)=xsin(10pi*x)+2     -1=<x<=2

选择二进制编码,种群中个体数目为40,每个种群的长度为20,使用代沟为0.9,最大遗传代数为25

译码矩阵结构:FieldD=[len; lb; ub; code; scale; lbin; ubin]

译码矩阵说明:

len – 包含在Chrom中的每个子串的长度,注意sum(len)=length(Chrom);

lb、ub – 行向量,分别指明每个变量使用的上界和下界;

code – 二进制行向量,指明子串是怎样编码的,code(i)=1为标准二进制编码,code(i)=0则为格雷编码;

scale – 二进制行向量,指明每个子串是否使用对数或算术刻度,scale(i)=0为算术刻度,scale(i)=1则为对数刻度;

lbin、ubin – 二进制行向量,指明表示范围中是否包含每个边界,选择lbin=0或ubin=0,表示从范围中去掉边界;lbin=1或ubin=1则表示范围中包含边界;

Solution

《遗传算法,遗传算法》

 1 figure(1);
 2 fplot('variable.*sin(10*pi*variable)+2.0',[-1,2]);   %画出函数曲线
 3 %定义遗传算法参数
 4 NIND=40;        %个体数目(Number of individuals)
 5 MAXGEN=25;      %最大遗传代数(Maximum number of generations)
 6 PRECI=20;       %变量的二进制位数(Precision of variables)
 7 GGAP=0.9;       %代沟(Generation gap)
 8 trace=zeros(2, MAXGEN);                        %寻优结果的初始值
 9 FieldD=[20;-1;2;1;0;1;1];                      %区域描述器(Build field descriptor)
10 Chrom=crtbp(NIND, PRECI);                      %初始种群
11 gen=0;                                         %代计数器
12 variable=bs2rv(Chrom, FieldD);                 %计算初始种群的十进制转换
13 ObjV=variable.*sin(10*pi*variable)+2.0;        %计算目标函数值
14 while gen<MAXGEN
15    FitnV=ranking(-ObjV);                                  %分配适应度值(Assign fitness values)         
16    SelCh=select('sus', Chrom, FitnV, GGAP);               %选择
17    SelCh=recombin('xovsp', SelCh, 0.7);                   %重组
18    SelCh=mut(SelCh);                                      %变异
19    variable=bs2rv(SelCh, FieldD);                         %子代个体的十进制转换
20    ObjVSel=variable.*sin(10*pi*variable)+2.0;             %计算子代的目标函数值
21    [Chrom ObjV]=reins(Chrom, SelCh, 1, 1, ObjV, ObjVSel); %重插入子代的新种群
22    variable=bs2rv(Chrom, FieldD);
23    gen=gen+1;                                             %代计数器增加
24    %输出最优解及其序号,并在目标函数图像中标出,Y为最优解,I为种群的序号
25    [Y, I]=max(ObjV);hold on;
26    plot(variable(I), Y, 'bo');
27    trace(1, gen)=max(ObjV);                               %遗传算法性能跟踪
28    trace(2, gen)=sum(ObjV)/length(ObjV);
29 end
30 variable=bs2rv(Chrom, FieldD);                            %最优个体的十进制转换
31 hold on, grid;
32 plot(variable,ObjV,'b*');
33 figure(2);
34 plot(trace(1,:));
35 hold on;
36 plot(trace(2,:),'-.');grid
37 legend('解的变化','种群均值的变化')

《遗传算法,遗传算法》

 《遗传算法,遗传算法》

《遗传算法,遗传算法》

    原文作者:遗传算法
    原文地址: https://www.cnblogs.com/Leo_wl/p/3199590.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