遗传算法GA求解非连续函数最值问题
目录
一、遗传算法基本思想
二、遗传算法的主要步骤
三、遗传编码
1.二进制编码
2.实数编码
四、遗传算法流程
五、例题
一、遗传算法基本思想
遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。
二、遗传算法的主要步骤
（1）编码：将问题的候选解用染色体表示，实现解空间向编码空间的映射过程。遗传算法不直接处理解空间的决策变量，而是将其转换成由基因按一定结构组成的染色体。编码方式有很多，如二进制编码、实数向量编码、整数排列编码、通用数据结构编码等等。本文将采用二进制编码的方式，将十进制的变量转换成二进制，用0和1组成的数字串模拟染色体，可以很方便地实现基因交叉、变异等操作。
（2）种群初始化：产生代表问题可能潜在解集的一个初始群体（编码集合）。种群规模设定主要有以下方面的考虑：从群体多样性方面考虑，群体越大越好，避免陷入局部最优；从计算效率方面考虑，群体规模越大将导致计算量的增加。应该根据实际问题确定种群的规模。产生初始化种群的方法通常有两种：一是完全随机的方法产生；二是根据先验知识设定一组必须满足的条件，然后根据这些条件生成初始样本。
（3）计算个体适应度：利用适应度函数计算各个个体的适应度大小。适应度函数（Fitness Function）的选取直接影响到遗传算法的收敛速度以及能否找到最优解，因为在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群每个个体的适应程度来指导搜索。
（4）进化计算：通过选择、交叉、变异，产生出代表新的解集的群体。选择（selection）：根据个体适应度大小，按照优胜劣汰的原则，淘汰不合理的个体；交叉（crossover）：编码的交叉重组，类似于染色体的交叉重组；变异（mutation）：编码按小概率扰动产生的变化，类似于基因突变。
（5）解码：末代种群中的最优个体经过解码实现从编码空间向解空间的映射，可以作为问题的近似最优解。这是整个遗传算法的最后一步，经过若干次的进化过程，种群中适应度最高的个体代表问题的最优解，但这个最优解还是一个由0和1组成的数字串，要将它转换成十进制才能供我们理解和使用。
三、遗传编码
遗传编码将变量转化为基因组的表示形式，优化变量的编码机制有二进制编码、十进制编码（实数编码）等。
1.二进制编码
这里简单介绍以下二进制编码的实现原理。例如，求实数区间上函数
的最大值，传统的方法是不断调整自变量
的值，假设使用二进制编码新式，我们可以由长度6的未穿表示变量
，即从000000到111111，并将中间的取值映射到实数区间
内。由于哦才能够整数上来看，6位长度二进制表示范围为0~63，所以对应
的区间，每个相邻值之间的阶跃值为
。这个就是编码的精度，编码精度越高，所得到的解的质量也越高。
2.实数编码
在解决高维、连续优化问题等是，经常采用实数编码方式。实数编码的优点是计算精度搞，便于和经典连续优化算法结合。
四、遗传算法流程
1）初始化。设置进化代数计数器，设置最大进化代数
，随机生成
个个体作为初始群体
2）个体评价。计算群体中各个个体的适应度
3）选择运算。将选择算子作用域群体，根据个体适应度，按照一定的规则和方法，选择一些优良个体遗传到下一代群体。
4）交叉运算。将交叉算子作用于群体，对选中的成对个体，以某一概率交换他们之间的部分染色体，产生新的个体
5）变异运算。将变异算子作用于群体，对选中的个体，以某一概率改变某一个或某一些基因值为其他的等位基因。群体P(t)经过选择、交叉、和变异运算之后得到下一代群体。计算其适应度值，并根据适应度值进行排序，准备进行下一代遗传操作。
6）终止条件判断：若，则
，转到步骤2）；若
，则终止计算
五、例题
计算函数
的最小值。这是一个简单的平方和问函数，只有一个极小点，理论最小值
仿真过程如下：
（1）初始化种群数目为，染色体基因维数
，最大进化迭代数G=1000，交叉概率为
，变异概率
（2）产生初始种群，计算给体适应度值；进行始数编码的安泽以及交叉和变异操作。选择和交叉操作采用“君主方案”，即在对群体根据适应度值高低进行排序的基础上，用最优个体与其他偶数位的所有个体进行交叉，每次交叉产生两个新个体。在交叉过后，对信产所的群体进行多点变异产生子群体，再计算器适应度值，然后和父群体合并，并且根据适应度值进行排序，取前个个体为新群体，进行下一次遗传操作。
（3）判断是否满足终止条件：若满足，结束搜索过程，输出最优值；若不满足，继续迭代优化
%%%%%%%%%%%%%%%%%%%%实值遗传算法求函数极值%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear all; %清除所有变量
close all; %清图
clc; %清屏
D=10; %基因数目
NP=100; %染色体数目
Xs=20; %上限
Xx=-20; %下限
G=1000; %最大遗传代数
f=zeros(D,NP); %初始种群赋空间
nf=zeros(D,NP); %子种群赋空间
Pc=0.8; %交叉概率
Pm=0.1; %变异概率
f=rand(D,NP)*(Xs-Xx)+Xx; %随机获得初始种群
%%%%%%%%%%%%%%%%%%%%%%按适应度升序排列%%%%%%%%%%%%%%%%%%%%%%%
for np=1:NPMSLL(np)=func2(f(:,np));
end
[SortMSLL,Index]=sort(MSLL);
Sortf=f(:,Index);
%%%%%%%%%%%%%%%%%%%%%%%遗传算法循环%%%%%%%%%%%%%%%%%%%%%%%%%%
for gen=1:G%%%%%%%%%%%%%%采用君主方案进行选择交叉操作%%%%%%%%%%%%%%%%Emper=Sortf(:,1); %君主染色体NoPoint=round(D*Pc); %每次交叉点的个数PoPoint=randi([1 D],NoPoint,NP/2); %交叉基因的位置nf=Sortf;for i=1:NP/2nf(:,2*i-1)=Emper;nf(:,2*i)=Sortf(:,2*i);for k=1:NoPointnf(PoPoint(k,i),2*i-1)=nf(PoPoint(k,i),2*i);nf(PoPoint(k,i),2*i)=Emper(PoPoint(k,i));endend%%%%%%%%%%%%%%%%%%%%%%%%%%变异操作%%%%%%%%%%%%%%%%%%%%%%%%%for m=1:NPfor n=1:Dr=rand(1,1);if r<Pmnf(n,m)=rand(1,1)*(Xs-Xx)+Xx;endendend%%%%%%%%%%%%%%%%%%%%%子种群按适应度升序排列%%%%%%%%%%%%%%%%%%for np=1:NP NMSLL(np)=func2(nf(:,np)); end[NSortMSLL,Index]=sort(NMSLL); NSortf=nf(:,Index);%%%%%%%%%%%%%%%%%%%%%%%%%产生新种群%%%%%%%%%%%%%%%%%%%%%%%%%%f1=[Sortf,NSortf]; %子代和父代合并MSLL1=[SortMSLL,NSortMSLL]; %子代和父代的适应度值合并[SortMSLL1,Index]=sort(MSLL1); %适应度按升序排列Sortf1=f1(:,Index); %按适应度排列个体SortMSLL=SortMSLL1(1:NP); %取前NP个适应度值Sortf=Sortf1(:,1:NP); %取前NP个个体trace(gen)=SortMSLL(1); %历代最优适应度值
end
Bestf=Sortf(:,1); %最优个体
trace(end) %最优值
figure
plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
%%%%%%%%%%%%%%%%%%%%%%%%%%%适应度函数%%%%%%%%%%%%%%%%%%%%%%%%%%%
function result=func2(x)
summ=sum(x.^2);
result=summ;
end遗传算法GA求解非连续函数最值问题相关推荐
- 【优化算法】遗传算法GA求解混合流水车间调度问题（附C++代码）
[优化算法]遗传算法GA求解混合流水车间调度问题(附C++代码) 00 前言 各位读者大家好,好久没有介绍算法的推文了,感觉愧对了读者们热爱学习的心灵.于是,今天我们带来了一个神奇的优化算法--遗传算 ...
- MATLAB遗传算法GA求解TSP旅行商问题，可选PMX交叉、OX交叉及其它多种交叉方式，在算法中引入2-opt变异算子
MATLAB遗传算法GA求解TSP旅行商问题,可选PMX交叉.OX交叉及其它多种交叉方式,在算法中引入2-opt变异算子.进化逆转算子提高算法局部搜索能力,利用国际通用的TSPLIB数据集中的eil5 ...
- 【遗传算法GA】--计算函数最值（Python）
文章目录 1.遗传算法概述 2.分步实现过程 3.完整Python代码 4.结果截图 1.遗传算法概述 对于遗传算法:遗传算法是一种用于解决最优化的搜索算法,也是进化算法的一种.取名遗传就是因为它借鉴 ...
- 遗传算法GA求解TSP问题
目录 一.遗传算法基本思想 二.遗传算法的主要步骤 三 .遗传编码 1.二进制编码 2.实数编码 四.遗传算法流程 五.例题 一.遗传算法基本思想 遗传算法(Genetic Algorithm, GA ...
- 人工智能 遗传算法(GA) 求解三元函数z的最大值 Java
文章目录 一.问题描述 二.解决过程 流程图 1.二进制编码 2.初始群体的产生 3.适应值计算 4.选择运算(轮盘赌) 5.交叉运算(单点交叉) 6.变异运算 三.代码实现 四.运行结果 总结 一. ...
- 遗传算法(GA)的新手入门必备，python3案例
遗传算法简介 遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法.遗传算法是从代表问题可能潜 ...
- 遗传算法(GA)入门知识梳理(超详细)
目录 一.遗传算法的生物背景 二.遗传算法(GA)思想 2.1遗传算法的组成 2.2编码 2.3适应度函数 2.4遗传算子 2.4 运行参数 三.基本遗传算法(SGA)伪代码 3.1算法流程图 3.2 ...
- MATLAB 数学应用 微分方程 常微分方程 求解非刚性ODE
本文介绍两个使用 ode45 来求解非刚性常微分方程的示例.MATLAB拥有三个非刚性 ODE 求解器. ode45 ode23 ode113 对于大多数非刚性问题,ode45 的性能最佳.但对于允许 ...
- 遗传算法(GA/NSGA)优化神经网络 GA-BP
查了网上一些论文和代码,自己写了两个版本的GA-BP优化代码(实际应该为EGA-BP),从简到繁,从易到难.该文章代码基于Python3 pytorch进行编写. 版本说明:Part 1 为 利用 G ...
最新文章
- html5 颜色弹窗 位置,HTML5之placeholder属性以及如何更改placeholder属性中文字颜色大小位置...
- java标注释_跪请JAVA高手帮忙标一下注释
- 计算器中 MS、MR、M+、M- 和 MC 的功能介绍
- 存储引擎放弃使用索引的方式
- C++类内存结构布局
- 如何定义 Java 中的方法
- C# 笔记3 - 重载一系列像python那样的print()方法
- [渝粤教育] 中国地质大学 审计学 复习题
- 《Word排版艺术》读后感，兼谈LaTeX
- DoS攻击原理与实战（LOIC+Hping3）
- 网上值得注册的论坛(最新整理)
- 伊诺伊香槟分校计算机世界排名,2020年伊利诺伊大学香槟分校QS世界排名
- iphone/ipad 连接smb服务器，实现局域网内文件共享
- 典型相关分析及相关知识
- 如何做一份淹没的水深分布图
- narwal机器人_首款全自动扫拖一体机器人Narwal云鲸，彻底解放双手
- 华为鸿蒙和yunos,阿里的YunOS跟华为的鸿蒙差距大么？
- 上位机程序，上位机界面开发，ATECLOUD中国人自己的LabVIEW
- win32api之虚拟键盘
- 微型计算机3c认证元器件清单,CCC认证关键元器件清单