没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
自编的遗传算法 MATLAB 代码
发一份自编的 MATLAB 遗传算法代码,用简单遗传算法(Simple Genetic Algorithm
or Standard Genetic Algorithm,SGA)求取函数最大值,初版编写于 7 年前上学期
间,当时是 MATLAB 5.x,在算法运行效率方面做了修改,主要是采用矩阵操作减少
了循环。
遗传算法为群体优化算法,也就是从多个初始解开始进行优化,每个解称为一个染
色体,各染色体之间通过竞争、合作、单独变异,不断进化。
优化时先要将实际问题转换到遗传空间,就是把实际问题的解用染色体表示,称为
编码,反过程为解码,因为优化后要进行评价,所以要返回问题空间,故要进行解
码。SGA 采用二进制编码,染色体就是二进制位串,每一位可称为一个基因;解码
时应注意将染色体解码到问题可行域内。
遗传算法模拟“适者生存,优胜劣汰”的进化机制,染色体适应生存环境的能力用适应
度函数衡量。对于优化问题,适应度函数由目标函数变换而来。一般遗传算法求解
最大值问题,如果是最小值问题,则通过取倒数或者加负号处理。SGA 要求适应度
函数>0,对于<0 的问题,要通过加一个足够大的正数来解决。这样,适应度函数值
大的染色体生存能力强。
遗传算法有三个进化算子:选择(复制)、交叉和变异。
SGA 中,选择采用轮盘赌方法,也就是将染色体分布在一个圆盘上,每个染色体占
据一定的扇形区域,扇形区域的面积大小和染色体的适应度大小成正比。如果轮盘
中心装一个可以转动的指针的话,旋转指针,指针停下来时会指向某一个区域,则
该区域对应的染色体被选中。显然适应度高的染色体由于所占的扇形区域大,因此
被选中的几率高,可能被选中多次,而适应度低的可能一次也选不中,从而被淘
汰。算法实现时采用随机数方法,先将每个染色体的适应度除以所有染色体适应度
的和,再累加,使他们根据适应度的大小分布于 0-1 之间,适应度大的占的区域大,
然后随机生成一个 0-1 之间的随机数,随机数落到哪个区域,对应的染色体就被选
中。重复操作,选出群体规模规定数目的染色体。这个操作就是“优胜劣汰,适者生
存”,但没有产生新个体。
交叉模拟有性繁殖,由两个染色体共同作用产生后代,SGA 采用单点交叉。由于
SGA 为二进制编码,所以染色体为二进制位串,随机生成一个小于位串长度的随机
整数,交换两个染色体该点后的那部分位串。参与交叉的染色体是轮盘赌选出来的
个体,并且还要根据选择概率来确定是否进行交叉(生成 0-1 之间随机数,看随机数
是否小于规定的交叉概率),否则直接进入变异操作。这个操作是产生新个体的主
要方法,不过基因都来自父辈个体。
变异采用位点变异,对于二进制位串,0 变为 1,1 变为 0 就是变异。采用概率确定
变异位,对每一位生成一个 0-1 之间的随机数,看是否小于规定的变异概率,小于的
变异,否则保持原状。这个操作能够使个体不同于父辈而具有自己独立的特征基
因,主要用于跳出局部极值。
遗传算法认为生物由低级到高级进化,后代比前一代强,但实际操作中可能有退化
现象,所以采用最佳个体保留法,也就是曾经出现的最好个体,一定要保证生存下
来,使后代至少不差于前一代。大致有两种类型,一种是把出现的最优个体单独保
存,最后输出,不影响原来的进化过程;一种是将最优个体保存入子群,也进行选
择、交叉、变异,这样能充分利用模式,但也可能导致过早收敛。
由于是基本遗传算法,所以优化能力一般,解决简单问题尚可,高维、复杂问题就
需要进行改进了。
下面为代码。函数最大值为 3905.9262,此时两个参数均为-2.0480,有时会出现局
部极值,此时一个参数为-2.0480,一个为 2.0480。算法中变异概率 pm=0.05,交叉
概率 pc=0.8。如果不采用最优模式保留,结果会更丰富些,也就是算法最后不一定
收敛于极值点,当然局部收敛现象也会有所减少,但最终寻得的解不一定是本次执
行中曾找到过的最好解。
(注:一位网名为 mosquitee 的朋友提醒我:原代码的变异点位置有问题。检验后发
现是将最初的循环实现方法改为矩阵实现方法时为了最优去掉 mm 的第 N 行所致,
导致变异点位置发生了变化,现做了修改,修改部分加了颜色标记,非常感谢
mosquitee,2010-4-22)
% Optimizing a function using Simple Genetic Algorithm with elitist preserved
%Max f(x1,x2)=100*(x1*x1-x2).^2+(1-x1).^2; -2.0480<=x1,x2<=2.0480
% Author: Wang Yonglin (wylin77@126.com)
clc;clear all;
format long;%设定数据显示格式
%初始化参数
T=100;%仿真代数
N=80;% 群体规模
pm=0.05;pc=0.8;%交叉变异概率
umax=2.048;umin=-2.048;%参数取值范围
L=10;%单个参数字串长度,总编码长度 2L
bval=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-umin)*y1/(2^L-1)+umin;
for j=1:1:L
y2=y2+bval(i,2*L-j+1)*2^(j-1);
end
x2=(umax-umin)*y2/(2^L-1)+umin;
obj(i)=100*(x1*x1-x2).^2+(1-x1).^2; %目标函数
xx(i,:)=[x1,x2];
end
func=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
optxx=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 cc<pc
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);
end
end
bval(N,:)=bvalxx;%最优保留
%位点变异
mm=rand(N,2*L)<pm;%N 行
剩余10页未读,继续阅读
sf0078906
- 粉丝: 6
- 资源: 3
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
- 1
- 2
前往页