粒子群算法与遗传算法的对比&串行混合优化仿真 - 基于Rastrigin测试函数 博文对应的代码

% 基于遗传算法和粒子群算法的组合完成迭代 % %算法流程：https://blog.csdn.net/sfejojno/article/details/131629140 【这里面是所谓的嵌入式混合】 %混合优化算法的方法有很多，有并行混合、串行混合、嵌入式混合三种。 %粒子和染色体本质上是一样的东西% %本代码的方法是直接将两种处理方法串起来：先用遗传算法优化，再计算适应度，再使用粒子群算法进行优化，最终得到本次迭代下的粒子和适应度值% function BestFit_everyItration_Combine = funcGAPSO(BestFit_everyItration_Combine0,cfg) BestFit_everyItration_Combine = BestFit_everyItration_Combine0; x = cfg.x; Num_iteration = cfg.Num_iteration; CombineElement = cfg.CombineElement; %初始化的粒子/染色体 Num_Element = cfg.Num_Element; %拿出参数 %遗传算法的 staynum = cfg.staynum; muteNum = cfg.muteNum; %粒子群算法的 Num_partical = cfg.Num_partical; V_range = cfg.V_range; W = cfg.W; C1 = cfg.C1; C2 = cfg.C2; V_partical = cfg.V_partical; %得到初始化下各粒子的最优适应度、全部粒子的最优适应度及粒子 Fitness0 = zeros(Num_Element,1); for ii = 1:Num_partical Fitness0(ii) = Rastrigin(CombineElement(ii,:)); end %填充初始化的情况% BestFit_partical = zeros(Num_Element,3); BestFit_global = zeros(1,3); BestFit_partical(:,1) = Fitness0; BestFit_partical(:,2:end) = CombineElement; [BestFit_global(1),id] = min(Fitness0); BestFit_global(2:end) = CombineElement(id,:); CombineElement_old = CombineElement; V_partical_old = V_partical; %画出每次迭代下各粒子的适应度 figure(103);hold on; xlabel('迭代次数');ylabel('各粒子适应度');title('串行混合算法下不同迭代次数下适应度的变化');grid on;hold on; %进行迭代 for ii = 1:Num_iteration %----先是遗传算法部分----% %计算适应度和选取概率 for jj = 1:Num_Element Fitness1(jj) = Rastrigin(CombineElement_old(jj,:)); end [SelectionProbabilityOld] = CalSelectionProbability(Fitness1,Num_Element); %此外，这里更新一次历次迭代的最优适应度 [BestFit_everyItration_Combine(ii,1),id] = min(Fitness1); BestFit_everyItration_Combine(1,2:end) = CombineElement_old(id,:); %交叉 for jj = 1:Num_Element-staynum %基于轮盘赌方法选择父代染色体 dadID = ChoseParaments(SelectionProbabilityOld); dadchromosome = CombineElement_old(dadID,:); while 1 momID = ChoseParaments(SelectionProbabilityOld); if momID ~= dadID break; end end momchromosome = CombineElement_old(momID,:); %选好之后就是交叉，因为这里只有两个基因，那就从父母那边各拿一个。 ChromosomeOut(jj,:) = [dadchromosome(1) momchromosome(2)]; end %变异，随机选择染色体的某个基因 然后随机变成可选范围内的值。 mutedID = zeros(1,muteNum); %需要变异的数量，这里定义一个装载已经发生了变异的染色体id for pp = 1:muteNum TasksID = randi(2); %从所有任务(基因)中随机选择一个任务 %选待变异的染色体，需要确保每次选择的不应该重复。 while 1 ChromosomeID = randi(Num_Element-staynum); if isempty(find(mutedID == ChromosomeID)) break; end end %确定将该染色体的该基因变异成什么，需要确保不变成和原来的值一样(虽然概率极低，但是还是写个循环)。 while 1 NodesID = rand(1)*(x(end)-x(1)) + x(1); %从所有可选范围中随机选择一个点 if NodesID ~= ChromosomeOut(ChromosomeID,TasksID) break; end end %完成变异 ChromosomeOut(ChromosomeID,TasksID) = NodesID; mutedID(pp) = ChromosomeID; end %完成复制(也可以放在后面)：选择几个适应度最高的直接复制到下一代，这几条不参与变异！ dataTmp = Fitness1; maxVal = max(dataTmp); for pp = 1:staynum [~,ID] = min(dataTmp); %应该只会有一个值吧？ 这里是找到最小的值(对应的适应度最大) ChromosomeOut(pp+(Num_Element-staynum),:) = CombineElement_old(ID,:); dataTmp(ID) = maxVal; %为了防止最大适应度的染色体被重复找到 end %----对前述结果进行粒子群算法优化----% %先计算适应度、更新最优适应度的粒子 for kk = 1:Num_Element Fitness2(kk) = Rastrigin(ChromosomeOut(kk,:)); if BestFit_partical(kk,1) > Fitness2(kk) BestFit_partical(kk,1) = Fitness2(kk); BestFit_partical(kk,2:end) = ChromosomeOut(kk,:); end end [Bestfit,id] = min(Fitness2); if BestFit_global(1) > Bestfit BestFit_global(1) = Bestfit; BestFit_global(2:end) = ChromosomeOut(id,:); end %进行正式的迭代更新 WUse = W(2) - (W(2) - W(1))*ii/Num_iteration; %更新本次使用的惯性量 for jj = 1:Num_Element %更新速度 V_partical_New(jj,:) = WUse*V_partical_old(jj,:) + C1*rand(1)*(BestFit_partical(jj,2:end) - ChromosomeOut(jj,:)) + ... C2*rand(1)*(BestFit_global(2:end) - ChromosomeOut(jj,:)); %判断速度是否越界 for kk = 1:size(V_partical,2) if V_partical_New(jj,kk) < V_range(1) V_partical_New(jj,kk) = V_range(1); elseif V_partical_New(jj,kk) > V_range(2) V_partical_New(jj,kk) = V_range(2); end end %更新粒子位置，这里输出的就是本次迭代下真正的输出。 CombineElement_New(jj,:) = ChromosomeOut(jj,:) + V_partical_New(jj,:); %判断位置是否越界 for kk = 1:size(ChromosomeOut,2) if CombineElement_New(jj,kk) < x(1) CombineElement_New(jj,kk) = x(1); elseif CombineElement_New(jj,kk) > x(end) CombineElement_New(jj,kk) = x(end); end end end %新变旧 CombineElement_old = CombineElement_New; V_partical_new = V_partical_old; %画出本次迭代下各粒子的适应度 scatter(ii,Fitness1,'ro'); end figure(103);hold off; %% 基于适应度计算每条染色体的选取概率 %% function [SelectionProbability] = CalSelectionProbability(adaptability,Chromosome_num) %但是我们这里是越小适应度越大，所以先取倒数 adaptability = 1./adaptability; adaptability_ALL = sum(adaptability); SelectionProbability = zeros(1,Chromosome_num); for i = 1:Chromosome_num SelectionProbability(i) = adaptability(i)/adaptability_ALL; end end %% 使用轮盘赌算法来选择父/母染色体 %% function [ID] = ChoseParaments(SelectionProbability) randval = rand(1); %需不需要预先对概率值的顺序随机化？% %这里暂时不随机化，或者随机化的过程可以在该函数外边进行% probability = 0; for j = 1:length(SelectionProbability) probability = SelectionProbability(j) + probability; if probability >= randval ID = j; break; end end end end