GA.rar_GA_GA算法_遗传算法

%% GA %% 清空环境变量 clc,clear,close all warning off feature jit off %% 遗传算法参数初始化 maxgen = 50; % 进化代数，即迭代次数 sizepop = 50; % 种群规模 pcross = [0.7]; % 交叉概率选择，0和1之间 pmutation = [0.01]; % 变异概率选择，0和1之间 % 城市交通信号系统参数 C = 140; L = 10; load('data.mat') % 包含交通流量q以及饱和流量xij q = q./3600; % 转化为秒s xij = xij./3600; % 转化为秒s %染色体设置 lenchrom=ones(1,3); % t1、t2、t3 bound=[38,59;26,37;33,44;]; % 数据范围 %---------------------------种群初始化------------------------------------ individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体 avgfitness = []; %每一代种群的平均适应度 bestfitness = []; %每一代种群的最佳适应度 bestchrom = []; %适应度最好的染色体 %% 初始化种群 for i=1:sizepop % 随机产生一个种群 individuals.chrom(i,:)=Code(lenchrom,bound); % 编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量） x=individuals.chrom(i,:); % 计算适应度 individuals.fitness(i)=fun(x); % 染色体的适应度 end %% 找最好的染色体 [bestfitness bestindex] = min(individuals.fitness); bestchrom = individuals.chrom(bestindex,:); % 最好的染色体 % 记录每一代进化中最好的适应度和平均适应度 trace = [bestfitness]; %% 迭代求解最佳初始阀值和权值 % 进化开始 for i=1:maxgen disp(['迭代次数： ',num2str(i)]) % 选择 individuals=Select(individuals,sizepop); % 交叉 individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound); % 变异 individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound); % 计算适应度 for j=1:sizepop x=individuals.chrom(j,:); % 解码 individuals.fitness(j)=fun(x); % 染色体的适应度 end % 找到最小和最大适应度的染色体及它们在种群中的位置 [newbestfitness,newbestindex]=min(individuals.fitness); [worestfitness,worestindex]=max(individuals.fitness); % 代替上一次进化中最好的染色体 if bestfitness>newbestfitness bestfitness=newbestfitness; bestchrom=individuals.chrom(newbestindex,:); end individuals.chrom(worestindex,:)=bestchrom; % 剔除最差个体 trace=[trace;bestfitness]; %记录每一代进化中最好的适应度 end x = [bestchrom, C-L-sum(sum(bestchrom))] % 最佳个体值 D = trace(end) % 延误误差D E = D./sum(sum(q)); % 平均延误E %% 遗传算法结果分析 figure('color',[1,1,1]), plot(1:length(trace),trace(:,1),'b--'); title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]); xlabel('进化代数'); ylabel('适应度'); legend('fz最佳适应度');