遗传算法入门最好的例子+Matlab源程序(共8页).doc

《遗传算法入门最好的例子+Matlab源程序(共8页).doc》由会员分享，可在线阅读，更多相关《遗传算法入门最好的例子+Matlab源程序(共8页).doc（8页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、精选优质文档-倾情为你奉上遗传算法入门最好的例子+Matlab源程序例：求下述二元函数的最大值：(1) 个体编码遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种符号串。本题中，用无符号二进制整数来表示。因 x1, x2 为 0 7之间的整数，所以分别用3位无符号二进制整数来表示，将它们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可行解。例如，基因型 X 所对应的表现型是：x 5，6 。个体的表现型x和基因型X之间可通过编码和解码程序相互转换。(2) 初始群体的产生遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始群体数据。本

2、例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机方法产生。如：，(3) 适应度汁算遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接利用目标函数值作为个体的适应度。(4) 选择运算选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是：l 先计算出群体中所有个体的适应度的总和Sfi ( i=1.

3、2,M );l 其次计算出每个个体的相对适应度的大小 fi /Sfi，它即为每个个体被遗传到下一代群体中的概率；l 每个概率值组成一个区域，全部概率值之和为1；l 最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。(5)交叉运算交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。本例采用单点交叉的方法，其具体操作过程是： 先对群体进行随机配对； 其次随机设置交叉点位置； 最后再相互交换配对染色体之间的部分基因。(6) 变异运算变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进行改变，它也

4、是产生新个体的一种操作方法。本例中，我们采用基本位变异的方法来进行变异运算，其具体操作过程是： 首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处； 然后依照某一概率将变异点的原有基因值取反。对群体P(t)进行一轮选择、交叉、变异运算之后可得到新一代的群体p(t+1)。从上表中可以看出，群体经过一代进化之后，其适应度的最大值、平均值都得到了明显的改进。事实上，这里已经找到了最佳个体“”。注意 需要说明的是，表中有些栏的数据是随机产生的。这里为了更好地说明问题，我们特意选择了一些较好的数值以便能够得到较好的结果，而在实际运算过程中有可能需要一定

5、的循环次数才能达到这个最优结果。【Matlab程序清单】clc;clear all;format long;%设定数据显示格式%初始化参数T=10;%仿真代数N=4;% 群体规模pm=0.05;pc=0.8;%交叉变异概率umax=7;umin=1;%参数取值范围L=3;%单个参数字串长度，总编码长度2Lbval=round(rand(N,2*L);%初始种群bestv=-inf;%最优适应度初值%迭代开始for ii=1:T%解码，计算适应度for i=1:N y1=0;y2=0; for j=1:1:L y1=y1+bval(i,L-j+1)*2(j-1); end x1=(umax-um

6、in)*y1/(2L-1)+umin; for j=1:1:L y2=y2+bval(i,2*L-j+1)*2(j-1); end x2=(umax-umin)*y2/(2L-1)+umin; obj(i)=x1.2+x2.2; %目标函数 xx(i,:)=x1,x2; endfunc=obj;%目标函数转换为适应度函数p=func./sum(func);q=cumsum(p);%累加fmax,indmax=max(func);%求当代最佳个体 if fmax=bestv bestv=fmax;%到目前为止最优适应度值 bvalxx=bval(indmax,:);%到目前为止最佳位串 optx

7、x=xx(indmax,:);%到目前为止最优参数 end Bfit1(ii)=bestv; % 存储每代的最优适应度%遗传操作开始%轮盘赌选择 for i=1:(N-1) r=rand;tmp=find(r=q); newbval(i,:)=bval(tmp(1),:); end newbval(N,:)=bvalxx;%最优保留 bval=newbval;%单点交叉for i=1:2:(N-1) cc=rand; if ccpc point=ceil(rand*(2*L-1);%取得一个1到2L-1的整数 ch=bval(i,:); bval(i,point+1:2*L)=bval(i+1,point+1:2*L); bval(i+1,point+1:2*L)=ch(1,point+1:2*L); endend bval(N,:)=bvalxx;%最优保留%位点变异mm=rand(N,2*L)pm;%N行,小于变异概率的赋值为1，其他赋值0mm(N,:)=zeros(1,2*L);%最后一行不变异，强制赋0bval(mm)=1-bval(mm); %bval(mm)把mm中赋值为1的基因提取出来end%输出plot(Bfit1);% 绘制最优适应度进化曲线bestv %输出最优适应度值optxx %输出最优参数 专心-专注-专业