duoweibianliang.rar_多维变量_多维遗传算法_最优算法_遗传算法 多维_遗传算法寻优

%???????????????????????????????????????????????????????????????????% % % %?? 将 x 的值用一个10位的二值形式表示为二值问题?????????????????????% %---------------------------------------------- % 编程 %---------------------------------------------- %n维Griewangk函数寻找极小值 %可任意设置待优化变量数目和它们各自的变化范围 %遗传算法主程序 clear clf global bounds global Numv %优化参数个数， 每个变量具有相同长度的二进制编码 global badvalue Numv=4; %本例中为四维griewangk函数，优化参数4个 popsize=30; %设置初始参数，群体大小 chromlength=Numv*10; %字符串长度（个体长度），染色体长度 eranum=100; %设置种群代数，一般取20－100 pc=0.6; %设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个 %交叉概率函数，例如用神经网络训练得到的值作为交叉概率 pm=0.1; %设置变异概率，同理也可设置为变化的 badvalue=300; %估计最差值 bestvalue=badvalue; bounds=ones(Numv,1)*[-512 512]; %自变量上下限 pop=initpop(popsize,chromlength); %运行初始化函数，随机产生初始群体 pmutation=pm; for i=1:eranum [objvalue,averageobj]=calobjvalue(pop); %计算目标函数 average(i)=averageobj %记录每代平均目标值 fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度 [newpop]=selection(pop,fitvalue); %复制 [newpop]=crossover_multiv(newpop,pc); %交叉 [newpop]=mutation_multiv(newpop,pmutation); %变异 pmutation=pm+(i^4)*(0.6-pm)/(eranum^4); %随着种群不断进化，逐步增大变异率 [bestindividual,bestobj]=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值 y(i)=bestobj; if y(i)<bestvalue %保留迄今为止最优的个体及其适应值 bestvalue=y(i); bestind=decode_multiv(bestindividual); bestind=bestind'; end x(i,:)=decode_multiv(bestindividual); pop=newpop; end bestvalue bestind plot(y,'k-'); xlabel('Generation'); ylabel('Fittness'); hold on plot(average,'r-');