matlab编写的遗传算法程序。实现多目标规划求解.zip

function Fitness=FITNESS(x,FARM,e,q,w) %% 适应度函数 % 输入参数列表 % x 决策变量构成的4×50的0-1矩阵 % FARM 细胞结构存储的当前种群，它包含了个体x % e 4×50的系数矩阵 % q 4×50的系数矩阵 % w 1×50的系数矩阵 %% gamma=0.98; N=length(FARM);%种群规模 F1=zeros(1,N); F2=zeros(1,N); for i=1:N xx=FARM{i}; ppp=(1-xx)+(1-q).*xx; F1(i)=sum(w.*prod(ppp)); F2(i)=sum(sum(e.*xx)); end ppp=(1-x)+(1-q).*x; f1=sum(w.*prod(ppp)); f2=sum(sum(e.*x)); Fitness=gamma*sum(min([sign(f1-F1);zeros(1,N)]))+(1-gamma)*sum(min([sign(f2-F2);zeros(1,N)])); 针对问题设计的遗传算法如下，其中对模型约束的处理是重点考虑的地方 function [Xp,LC1,LC2,LC3,LC4]=MYGA(M,N,Pm) %% 求解01整数规划的遗传算法 %% 输入参数列表 % M 遗传进化迭代次数 % N 种群规模 % Pm 变异概率 %% 输出参数列表 % Xp 最优个体 % LC1 子目标1的收敛曲线 % LC2 子目标2的收敛曲线 % LC3 平均适应度函数的收敛曲线 % LC4 最优适应度函数的收敛曲线 %% 参考调用格式[Xp,LC1,LC2,LC3,LC4]=MYGA(50,40,0.3) %% 第一步：载入数据和变量初始化 load eqw;%载入三个系数矩阵e,q,w %输出变量初始化 Xp=zeros(4,50); LC1=zeros(1,M); LC2=zeros(1,M); LC3=zeros(1,M); LC4=zeros(1,M); Best=inf; %% 第二步：随机产生初始种群 farm=cell(1,N);%用于存储种群的细胞结构 k=0; while k %以下是一个合法个体的产生过程 x=zeros(4,50);%x每一列的1的个数随机决定 for i=1:50 R=rand; Col=zeros(4,1); if R<0.7 RP=randperm(4);%1的位置也是随机的 Col(RP(1))=1; elseif R>0.9 RP=randperm(4); Col(RP(1:2))=1; else RP=randperm(4); Col(RP(1:3))=1; end x(:,i)=Col; end %下面是检查行和是否满足约束的过程，对于不满足约束的予以抛弃 Temp1=sum(x,2); Temp2=find(Temp1>20); if length(Temp2)==0 k=k+1; farm{k}=x; end 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=farm{Ser(1)};%取出父代A B=farm{Ser(2)};%取出父代B P0=unidrnd(49);%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):end)];%产生子代b newfarm{2*N-1}=a;%加入子代种群 newfarm{2*N}=b; %以下循环是重复上述过程 for i=1:(N-1) A=farm{Ser(i)}; B=farm{Ser(i+1)}; P0=unidrnd(49); a=[A(:,1:P0),B(:,(P0+1):end)]; b=[B(:,1:P0),A(:,(P0+1):end)]; newfarm{2*i-1}=a; newfarm{2*i}=b; end FARM=[farm,newfarm];%新旧种群合并 %% 第四步：选择复制 FLAG=ones(1,3*N);%标志向量，对是否满足约束进行标记 %以下过程是检测新个体是否满足约束 for i=1:(3*N) x=FARM{i}; sum1=sum(x,1); sum2=sum(x,2); flag1=find(sum1==0); flag2=find(sum1==4); flag3=find(sum2>20); if length(flag1)+length(flag2)+length(flag3)>0 FLAG(i)=0;%如果不满足约束，用0加以标记 end end NN=length(find(FLAG)==1);%满足约束的个体数目，它一定大于等于N NEWFARM=cell(1,NN); %以下过程是剔除不满主约束的个体 kk=0; for i=1:(3*N) if FLAG(i)==1 kk=kk+1; NEWFARM{kk}=FARM{i}; end end %以下过程是计算并存储当前种群每个个体的适应值 SYZ=zeros(1,NN); syz=zeros(1,N); for i=1:NN x=NEWFARM{i}; SYZ(i)=FITNESS2(x,NEWFARM,e,q,w);%调用适应值子函数 end k=0; %下面是选择复制，选择较优的N个个体复制到下一代 while k minSYZ=min(SYZ); posSYZ=find(SYZ==minSYZ); POS=posSYZ(1); k=k+1; farm{k}=NEWFARM{POS}; syz(k)=SYZ(POS); SYZ(POS)=inf; end %记录和更新，更新最优个体，记录收敛曲线的数据 minsyz=min(syz); meansyz=mean(syz); pos=find(syz==minsyz); LC3(counter+1)=meansyz; if minsyz Best=minsyz; Xp=farm{pos(1)}; end LC4(counter+1)=Best; ppp=(1-Xp)+(1-q).*Xp; LC1(counter+1)=sum(w.*prod(ppp)); LC2(counter+1)=sum(sum(e.*Xp)); %% 第五步：变异 for i=1:N if Pm>rand%是否变异由变异概率Pm控制 AA=farm{i};%取出一个个体 POS=unidrnd(50);%随机选择变异位 R=rand; Col=zeros(4,1); if R<0.7 RP=randperm(4); Col(RP(1))=1; elseif R>0.9 RP=randperm(4); Col(RP(1:2))=1; else RP=randperm(4); Col(RP(1:3))=1; end %下面是判断变异产生的新个体是否满足约束，如果不满足，此次变异无效 AA(:,POS)=Col; Temp1=sum(AA,2); Temp2=find(Temp1>20); if length(Temp2)==0 farm{i}=AA; end end end counter=counter+1 end %第七步：绘收敛曲线图 figure(1); plot(LC1); xlabel('迭代次数'); ylabel('子目标1的值'); title('子目标1的收敛曲线'); figure(2); plot(LC2); xlabel('迭代次数'); ylabel('子目标2的值'); title('子目标2的收敛曲线'); figure(3); plot(LC3); xlabel('迭代次数'); ylabel('适应度函数的平均值'); title('平均适应度函数的收敛曲线'); figure(4); plot(LC4); xlabel('迭代次数'); ylabel('适应度函数的最优值'); title('最优适应度函数的收敛曲线');