2022年遗传算法实例简介 .pdf

《2022年遗传算法实例简介 .pdf》由会员分享，可在线阅读，更多相关《2022年遗传算法实例简介 .pdf（13页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、为了更好地应用遗传算法（GA）,现将举个简单的例子，一起来熟悉下GA 的操作，大家可以在matlab下运行下列程序来验证，谢谢！如求下列函数的最大值f(x)=10*sin(5x)+7*cos(4x) x 0,10 一、初始化 ( 编码 ) initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小， chromlength表示染色体的长度( 二值数的长度 )，长度大小取决于变量的二进制编码的长度(在本例中取10 位) 。遗传算法子程序%Name: initpop.m % 初始化function pop=initpop(popsize,chromlength) pop=roun

2、d(rand(popsize,chromlength); % rand随机产生每个单元为0,1 行数为 popsize ，列数为 chromlength的矩阵，% roud对矩阵的每个单元进行圆整。这样产生的初始种群。二、计算目标函数值1、将二进制数转化为十进制数(1) 遗传算法子程序%Name: decodebinary.m % 产生2n 2(n-1) . 1 的行向量，然后求和，将二进制转化为十进制function pop2=decodebinary(pop) px,py=size(pop); % 求 pop 行和例数for i=1:py pop1(:,i)=2.(py-1).*pop(:

3、,i); py=py-1; end pop2=sum(pop1,2); % 求 pop1的每行之和2、将二进制编码转化为十进制数(2) decodechrom.m函数的功能是将染色体( 或二进制编码 )转换为十进制，参数spoint表示待解码的二进制串的起始位置。( 对于多个变量而言，如有两个变量，采用20 为表示，每个变量10 为，则第一个变量从 1 开始，另一个变量从11 开始。本例为1) ，参数 1ength表示所截取的长度（本例为10 ） 。遗传算法子程序%Name: decodechrom.m % 将二进制编码转换成十进制function pop2=decodechrom(pop,s

4、point,length) pop1=pop(:,spoint:spoint+length-1); pop2=decodebinary(pop1); 3、计算目标函数值calobjvalue.m函数的功能是实现目标函数的计算，其公式采用本文示例仿真，可根据不同优化问题予以修改。遗传算法子程序名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 13 页 - - - - - - - - - %Name: calobjvalue.m % 实现目标函数的计算function objv

5、alue=calobjvalue(pop) temp1=decodechrom(pop,1,10); % 将 pop 每行转化成十进制数x=temp1*10/1023; % 将二值域中的数转化为变量域的数objvalue=10*sin(5*x)+7*cos(4*x);%计算目标函数值三、计算个体的适应值% 遗传算法子程序%Name:calfitvalue.m % 计算个体的适应值function fitvalue=calfitvalue(objvalue) global Cmin; Cmin=0; px,py=size(objvalue); for i=1:px if objvalue(i)+

6、Cmin>0 temp=Cmin+objvalue(i); else temp=0.0; end fitvalue(i)=temp; end fitvalue=fitvalue; 四、选择复制选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。根据方程pi=f i/ fi=fi/fsum ，选择步骤：1） 在第t 代，由（ 1）式计算fsum 和 pi 2） 产生0,1 的随机数rand( .)，求s=rand( .)*fsum 3） 求 fi s 中最小的k ，则第k 个个体被选中4） 进行N 次 2） 、3 ）操作，得到N 个个体，成为第t=t+

7、1 代种群% 遗传算法子程序%Name: selection.m % 选择复制function newpop=selection(pop,fitvalue) totalfit=sum(fitvalue); % 求适应值之和fitvalue=fitvalue/totalfit; % 单个个体被选择的概率fitvalue=cumsum(fitvalue); % 如 fitvalue=1 2 3 4，则 cumsum(fitvalue)=1 3 6 10 px,py=size(pop); ms=sort(rand(px,1); % 从小到大排列fitin=1; newin=1; 名师资料总结 - -

8、 -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 13 页 - - - - - - - - - while newin<=px if(ms(newin)<fitvalue(fitin) newpop(newin,:)=pop(fitin,:); newin=newin+1; else fitin=fitin+1; end end 五、交叉交叉 (crossover)，群体中的每个个体之间都以一定的概率pc 交叉，即两个个体从各自字符串的某一位置（一般是随机确定）开始互相交换，这类似

9、生物进化过程中的基因分裂与重组。例如，假设2 个父代个体 x1 ，x2 为：x1=0100110 x2=1010001 从每个个体的第3 位开始交叉，交又后得到2 个新的子代个体y1 ，y2 分别为：y1 0100001 y2 1010110 这样 2 个子代个体就分别具有了2 个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。% 遗传算法子程序%Name: crossover.m % 交叉function newpop=crossover(pop,pc) px,py=size(pop); newpop

10、=ones(size(pop); for i=1:2:px-1 if(rand<pc) cpoint=round(rand*py); newpop(i,:)=pop(i,1:cpoint) pop(i+1,cpoint+1:py); newpop(i+1,:)=pop(i+1,1:cpoint) pop(i,cpoint+1:py); else newpop(i,:)=pop(i,:); newpop(i+1,:)=pop(i+1,:); end end 六、变异变异 (mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率 pm 翻转，即由

11、“1” 变为 “0” ，或由 “0” 变为 “1” 。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。% 遗传算法子程序%Name: mutation.m 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，共 13 页 - - - - - - - - - % 变异function newpop=mutation(pop,pm) px,py=size(pop); newpop=ones(size(pop); for i=1:p

12、x if(rand<pm) mpoint=round(rand*py); if mpoint<=0 mpoint=1; end newpop(i,:)=pop(i,:); if any(newpop(i,mpoint)=0 newpop(i,mpoint)=1; else newpop(i,mpoint)=0; end else newpop(i,:)=pop(i,:); end end 七、求出群体中最大得适应值及其个体% 遗传算法子程序%Name: best.m % 求出群体中适应值最大的值function bestindividual,bestfit=best(pop,fit

13、value) px,py=size(pop); bestindividual=pop(1,:); bestfit=fitvalue(1); for i=2:px if fitvalue(i)>bestfit bestindividual=pop(i,:); bestfit=fitvalue(i); end end 八、主程序% 遗传算法主程序%Name:genmain05.m clear clf popsize=20; % 群体大小chromlength=10; % 字符串长度（个体长度）pc=0.6; % 交叉概率名师资料总结 - - -精品资料欢迎下载 - - - - - - - -

14、 - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 13 页 - - - - - - - - - pm=0.001; % 变异概率pop=initpop(popsize,chromlength); % 随机产生初始群体for i=1:20 %20为迭代次数objvalue=calobjvalue(pop); % 计算目标函数fitvalue=calfitvalue(objvalue); % 计算群体中每个个体的适应度newpop=selection(pop,fitvalue); % 复制newpop=crossover(pop,pc); % 交叉

15、newpop=mutation(pop,pc); % 变异bestindividual,bestfit=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值y(i)=max(bestfit); n(i)=i; pop5=bestindividual; x(i)=decodechrom(pop5,1,chromlength)*10/1023; pop=newpop; end fplot(10*sin(5*x)+7*cos(4*x),0 10) hold on plot(x,y,r*) hold off 22222222222222222222222222222222222

16、22222222222222222222222222 Matlab 遗传算法的移动机器人路径规划程序，高手过来帮忙% 起点（ 0，0），终点（ 9，9）障碍点 op 为（6，4），（ 5，7）安全范围半径为r=0.5 产生两个基因 m,n，分别代表两个点，个位数为横坐标，十位数为纵坐标% % 目标函数 % functionsol,val=gaFeval(sol,options) m=sol(:,1); n=sol(:,2); x1=rem(m,10); y1=fix(m,10); x2=rem(n,10); y2=fix(n,10); g1=(m-64)(m-57)(n-64)(n-57);

17、%罚函数 使产生的点不在障碍物内 % if g1=0 val=1/(sqrt(x12+y12)+sqrt(x1-x2)2+(y1-y2)2)+sqrt(x2-9)2+(y2-9)2);% 适应度函数为路径长度的倒数% else val=1/(sqrt(x12+y12)+sqrt(x1-x2)2+(y1-y2)2)+sqrt(x2-9)2+(y2-9)2)-20; 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 13 页 - - - - - - - - - % 主函数 %

18、bounds=ones(2,1)*1,98 function pop=initializega(20,bounds,gaFeval,roulette) plot(trace(:,1),trace(:,3),r-); hold on plot(trace(:,1),trace(:,2),b*); xlabel(Generation); ylabel(Fittness) legend(解的变化 ,种群平均值的变化 ); 333333333333333333333333333333333333333333333333333333 基于遗传算法的机器人路径规划MATLAB 源码算法的思路如下： 取各障

19、碍物顶点连线的中点为路径点，相互连接各路径点，将机器人移动的起点和终点限制在各路径点上，利用 Dijkstra 算法来求网络图的最短路径，找到从起点P1到终点 Pn的最短路径，由于上述算法使用了连接线中点的条件，不是整个规划空间的最优路径， 然后利用遗传算法对找到的最短路径各个路径点Pi (i=1,2, n)调整， 让各路径点在相应障碍物端点连线上滑动，利用Pi= Pi1+ti (Pi2-Pi1)（ti 0,1 i=1,2, n）即可确定相应的Pi，即为新的路径点，连接此路径点为最优路径。function L1,XY1,L2,XY2=JQRLJGH(XX,YY) % 基于 Dijkstra 和

20、遗传算法的机器人路径规划演示程序% GreenSim 团队原创作品，转载请注明% GreenSim 团队长期从事算法设计、代写程序等业务% 欢迎访问GreenSim算法仿真团队http:/ %输入参数在函数体内部定义%输出参数为% L1 由 Dijkstra 算法得出的最短路径长度% XY1 由 Dijkstra 算法得出的最短路径经过节点的坐标% L2 由遗传算法得出的最短路径长度% XY2 由遗传算法得出的最短路径经过节点的坐标%程序输出的图片有% Fig1 环境地图（包括：边界、障碍物、障碍物顶点之间的连线、Dijkstra 的网络图结构）% Fig2 由 Dijkstra 算法得到的最

21、短路径% Fig3 由遗传算法得到的最短路径% Fig4 遗传算法的收敛曲线（迄今为止找到的最优解、种群平均适应值）% 画 Fig1 figure(1); PlotGraph; title( 地形图及网络拓扑结构) PD=inf*ones(26,26); 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 13 页 - - - - - - - - - for i=1:26 for j=1:26 if D(i,j)=1 x1=XY(i,5); y1=XY(i,6); x2=XY

22、(j,5); y2=XY(j,6); dist=(x1-x2)2+(y1-y2)2)0.5; PD(i,j)=dist; end end end % 调用最短路算法求最短路s=1;%出发点t=26;%目标点L,R=ZuiDuanLu(PD,s,t); L1=L(end); XY1=XY(R,5:6); % 绘制由最短路算法得到的最短路径figure(2); PlotGraph; hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot(x1,x2,y1,y2,k); ho

23、ld on end title( 由 Dijkstra 算法得到的初始路径) % 使用遗传算法进一步寻找最短路%第一步：变量初始化M=50;% 进化代数设置N=20;% 种群规模设置Pm=0.3;%变异概率设置LC1=zeros(1,M); LC2=zeros(1,M); Yp=L1; %第二步：随机产生初始种群X1=XY(R,1); Y1=XY(R,2); X2=XY(R,3); Y2=XY(R,4); 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 13 页 - -

24、- - - - - - - for i=1:N farmi=rand(1,aaa); end % 以下是进化迭代过程counter=0;%设置迭代计数器while counter % 第三步：交叉%交叉采用双亲双子单点交叉newfarm=cell(1,2*N);%用于存储子代的细胞结构Ser=randperm(N);% 两两随机配对的配对表A=farmSer(1);%取出父代 A B=farmSer(2);%取出父代 B P0=unidrnd(aaa-1);% 随机选择交叉点a=A(:,1:P0),B(:,(P0+1):end);%产生子代 a b=B(:,1:P0),A(:,(P0+1):e

25、nd);%产生子代b newfarm2*N-1=a;%加入子代种群newfarm2*N=b; for i=1:(N-1) A=farmSer(i); B=farmSer(i+1); newfarm2*i=b; end FARM=farm,newfarm;%新旧种群合并% 第四步：选择复制SER=randperm(2*N); FITNESS=zeros(1,2*N); fitness=zeros(1,N); for i=1:(2*N) PP=FARMi; FITNESS(i)=MinFun(PP,X1,X2,Y1,Y2);%调用目标函数end for i=1:N f1=FITNESS(SER(2

26、*i-1); f2=FITNESS(SER(2*i); if f1rand&pos(1)=i AA=farmi; AA(POS)=rand; farmi=AA; end end counter=counter+1; disp(counter); end % 输出遗传算法的优化结果PPP=0.5,Xp,0.5; PPPP=1-PPP; X=PPP.*X1+PPPP.*X2; Y=PPP.*Y1+PPPP.*Y2; XY2=X,Y; L2=Yp; % 绘制 Fig3 figure(8) PlotGraph; hold on hold on for i=1:(length(R)-1) x1=XY1(

27、i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot(x1,x2,y1,y2,k,LineWidth,1); hold on end for i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+1,1); y2=XY2(i+1,2); 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 12 页，共 13 页 - - - - - - - - - plot(x1,x2,y1,y2,k

28、); hold on end title( 遗传算法最终结果) figure(9) PlotGraph; hold on for i=1:(length(R)-1) x1=XY1(i,1); y1=XY1(i,2); x2=XY1(i+1,1); y2=XY1(i+1,2); plot(x1,x2,y1,y2,k,LineWidth,1); hold on end hold on for i=1:(length(R)-1) x1=XY2(i,1); y1=XY2(i,2); x2=XY2(i+1,1); y2=XY2(i+1,2); plot(x1,x2,y1,y2,k,LineWidth,2); hold on end title( 遗传算法优化前后结果比较) % 绘制 Fig4 figure(10); plot(LC1); hold on plot(LC2); xlabel(迭代次数 ); title( 收敛曲线 ); 名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 13 页，共 13 页 - - - - - - - - -