遗传算法matlab代码.doc.zip资源-CSDN文库

共1个文件

doc：1个

版权申诉

7 浏览量 2024-04-20 09:35:53 上传评论收藏 91KB ZIP 举报

遗传算法是一种模拟自然界生物进化过程的优化方法，它在解决复杂优化问题时具有广泛的应用。MATLAB作为一种强大的数值计算和编程环境，是实现遗传算法的理想工具。本资料“遗传算法matlab代码.doc.zip”包含了一个使用MATLAB编写的遗传算法实现示例。遗传算法的基本流程包括初始化种群、选择、交叉和变异四个主要步骤。以下是对这些步骤的详细解释： 1. **初始化种群**：遗传算法的第一步是创建一个随机初始种群，这个种群由多个个体组成，每个个体代表一个问题的可能解。在MATLAB中，可以通过生成随机数来表示这些解，通常这些解是编码为二进制或浮点数的形式。 2. **适应度函数**：适应度函数用于评估每个个体的优劣程度，它将问题的目标函数值转换为一个概率值，通常越优秀的解其适应度值越高。在MATLAB代码中，我们需要定义适应度函数并计算每个个体的适应度。 3. **选择操作**：选择操作依据适应度值从当前种群中挑选出一部分个体，作为下一代种群的父代。常用的选择策略有轮盘赌选择、锦标赛选择等。MATLAB中可以利用随机数生成来模拟这些选择策略。 4. **交叉操作**（Crossover）：交叉操作是遗传算法的主要创新机制，它模拟生物的遗传过程，通过组合两个父代个体的部分特征来生成新的子代。MATLAB中常见的交叉方法有单点交叉、多点交叉和均匀交叉等。 5. **变异操作**（Mutation）：变异操作是为了保持种群多样性，防止过早收敛到局部最优解。在MATLAB中，通过改变部分个体的某些基因位点来实现变异，通常是以一定的概率随机进行。 6. **终止条件**：遗传算法会重复上述步骤直到满足特定的终止条件，如达到最大迭代次数、找到满足要求的解或者种群收敛等。在MATLAB代码中，需要设置相应的循环结构来控制算法的运行。 7. **编码与解码**：在遗传算法中，问题的解决方案通常需要进行编码和解码。编码将实际问题的解转化为适合遗传操作的形式，解码则将经过遗传操作后的编码解还原为实际问题的解。在MATLAB中，这可以通过自定义函数实现。遗传算法在MATLAB中的实现，涉及到的数据结构通常包括种群矩阵、适应度向量以及遗传参数如交叉概率、变异概率等。通过巧妙地组合这些元素，我们可以设计出高效且灵活的遗传算法程序，解决各种优化问题，如函数优化、约束优化、组合优化等。 “遗传算法matlab代码.doc.zip”提供的文档和代码将帮助你理解如何在MATLAB中实现遗传算法，从而更好地解决实际问题。通过对这份资料的学习，你可以掌握遗传算法的基本原理，了解MATLAB编程技巧，并能够自行编写遗传算法的程序。

资源推荐

资源详情

资源评论

收起资源包目录

遗传算法matlab代码.doc.zip （1个子文件）

遗传算法matlab代码.doc 91KB

function youhuafun

D=code;

N=50; % Tunable

maxgen=50; % Tunable

crossrate=0.5; %Tunable

muterate=0.08; %Tunable

generation=1;

num = length(D);

fatherrand=randint(num,N,3);

score = zeros(maxgen,N);

while generation<=maxgen

ind=randperm(N-2)+2; % 随机配对交叉

A=fatherrand(:,ind(1:(N-2)/2));

B=fatherrand(:,ind((N-2)/2+1:end));

% 多点交叉

rnd=rand(num,(N-2)/2);

ind=rnd tmp=A(ind);

A(ind)=B(ind);

B(ind)=tmp;

% % 两点交叉

% for kk=1:(N-2)/2

% rndtmp=randint(1,1,num)+1;

% tmp=A(1:rndtmp,kk);

% A(1:rndtmp,kk)=B(1:rndtmp,kk);

% B(1:rndtmp,kk)=tmp;

% end

fatherrand=[fatherrand(:,1:2),A,B];

% 变异

rnd=rand(num,N);

ind=rnd [m,n]=size(ind);

tmp=randint(m,n,2)+1;

tmp(:,1:2)=0;

fatherrand=tmp+fatherrand;

fatherrand=mod(fatherrand,3);

% fatherrand(ind)=tmp;

%评价、选择

scoreN=scorefun(fatherrand,D);% 求得 N 个个体的评价函

数

score(generation,:)=scoreN;

[scoreSort,scoreind]=sort(scoreN);

sumscore=cumsum(scoreSort);

sumscore=sumscore./sumscore(end);

childind(1:2)=scoreind(end-1:end);

for k=3:N

tmprnd=rand;

tmpind=tmprnd difind=[0,diff(tm

pind)];

if ~any(difind)

difind(1)=1;

end

childind(k)=scoreind(logical(difind));

end

fatherrand=fatherrand(:,childind);

generation=generation+1;

end

% score

maxV=max(score,[],2);

minV=11*300-maxV;

plot(minV,'*');title('各代的目标函数值');

F4=D(:,4);

FF4=F4-fatherrand(:,1);

FF4=max(FF4,1);

D(:,5)=FF4;

save DData D

function D=code

load youhua.mat

% properties F2 and F3

F1=A(:,1);

F2=A(:,2);

F3=A(:,3);

if (max(F2)>1450)||(min(F2)<=900)

error('DATA property F2 exceed it''s range (900,1450]')

end

% get group property F1 of data, according to F2 value

F4=zeros(size(F1));

for ite=11:-1:1

index=find(F2<=900+ite*50);

F4(index)=ite;

end

D=[F1,F2,F3,F4];

function ScoreN=scorefun(fatherrand,D)

F3=D(:,3);

F4=D(:,4);

N=size(fatherrand,2);

FF4=F4*ones(1,N);

FF4rnd=FF4-fatherrand;

FF4rnd=max(FF4rnd,1);

ScoreN=ones(1,N)*300*11;

% 这里有待优化

for k=1:N

FF4k=FF4rnd(:,k);

for ite=1:11

F0index=find(FF4k==ite);

if ~isempty(F0index)

tmpMat=F3(F0index);

tmpSco=sum(tmpMat);

ScoreBin(ite)=mod(tmpSco,300);

end

Scorek(k)=sum(ScoreBin);

end

ScoreN=ScoreN-Scorek;

遗传算法实例:

% 下面举例说明遗传算法 %

% 求下列函数的最大值 %

% f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] %

% 将 x 的值用一个 10 位的二值形式表示为二值问题，一个 10

位的二值数提供的分辨率是每为 (10-0)/(2^10-1)≈0.01 。 %

% 将变量域 [0,10] 离散化为二值域 [0,1023], x=0+10*b/1023,

其中 b 是 [0,1023] 中的一个二值数。 %

% %

%---------------------------------------------------------------------------------

-----------------------------%

%---------------------------------------------------------------------------------

-----------------------------%

% 编程

%-----------------------------------------------

% 2.1 初始化(编码)

% initpop.m 函数的功能是实现群体的初始化，popsize 表示群体

的大小，chromlength 表示染色体的长度(二值数的长度)，

% 长度大小取决于变量的二进制编码的长度(在本例中取 10 位)。

%遗传算法子程序

%Name: initpop.m

%初始化

function pop=initpop(popsize,chromlength)

pop=round(rand(popsize,chromlength)); % rand 随机产生每个

单元为 {0,1} 行数为 popsize，列数为 chromlength 的矩阵，

% roud 对矩阵的每个单元进行圆整。这样产生的初始种群。

% 2.2 计算目标函数值

% 2.2.1 将二进制数转化为十进制数(1)

%遗传算法子程序

%Name: decodebinary.m

%产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为

十进制

function pop2=decodebinary(pop)

[px,py]=size(pop); %求 pop 行和列数

for i=1:py

pop1(:,i)=2.^(py-i).*pop(:,i);

end

pop2=sum(pop1,2); %求 pop1 的每行之和

% 2.2.2 将二进制编码转化为十进制数(2)

% decodechrom.m 函数的功能是将染色体(或二进制编码)转换

为十进制，参数 spoint 表示待解码的二进制串的起始位置

% (对于多个变量而言，如有两个变量，采用 20 为表示，每个变

量为 10，则第一个变量从 1 开始，另一个变量从 11 开始。本例

为 1)，

% 参数 1ength 表示所截取的长度（本例为 10）。

%遗传算法子程序

%Name: decodechrom.m

%将二进制编码转换成十进制

function pop2=decodechrom(pop,spoint,length)

pop1=pop(:,spoint:spoint+length-1);

pop2=decodebinary(pop1);

% 2.2.3 计算目标函数值

% calobjvalue.m 函数的功能是实现目标函数的计算，其公式采

用本文示例仿真，可根据不同优化问题予以修改。

%遗传算法子程序

%Name: calobjvalue.m

%实现目标函数的计算

function [objvalue]=calobjvalue(pop)

temp1=decodechrom(pop,1,10); %将 pop 每行转化成十进制数

x=temp1*10/1023; %将二值域中的数转化为变量域的数

objvalue=10*sin(5*x)+7*cos(4*x); %计算目标函数值

% 2.3 计算个体的适应值

%遗传算法子程序

%Name:calfitvalue.m

%计算个体的适应值

function fitvalue=calfitvalue(objvalue)

global Cmin;

Cmin=0;

[px,py]=size(objvalue);

for i=1:px

if objvalue(i)+Cmin>0

temp=Cmin+objvalue(i);

else

temp=0.0;

end

fitvalue(i)=temp;

end

fitvalue=fitvalue';

% 2.4 选择复制

% 选择或复制操作是决定哪些个体可以进入下一代。程序中采用

赌轮盘选择法选择，这种方法较易实现。

% 根据方程 pi=fi/∑fi=fi/fsum ，选择步骤：

% 1）在第 t 代，由（1）式计算 fsum 和 pi

% 2）产生 {0,1} 的随机数 rand( .)，求 s=rand( .)*fsum

% 3）求 ∑fi≥s 中最小的 k ，则第 k 个个体被选中

% 4）进行 N 次 2）、3）操作，得到 N 个个体，成为第 t=t+1

代种群

%遗传算法子程序

%Name: selection.m

%选择复制

function [newpop]=selection(pop,fitvalue)

totalfit=sum(fitvalue); %求适应值之和

fitvalue=fitvalue/totalfit; %单个个体被选择的概率

fitvalue=cumsum(fitvalue); % 如 fitvalue=[1 2 3 4] ，则

cumsum(fitvalue)=[1 3 6 10]

[px,py]=size(pop);

ms=sort(rand(px,1)); %从小到大排列

fitin=1;

newin=1;

while newin<=px

if(ms(newin))<fitvalue(fitin)

newpop(newin)=pop(fitin);

newin=newin+1;

else

fitin=fitin+1;

end

% 2.5 交叉

% 交叉(crossover)，群体中的每个个体之间都以一定的概率 pc

交叉，即两个个体从各自字符串的某一位置

% （一般是随机确定）开始互相交换，这类似生物进化过程中的

基因分裂与重组。例如，假设 2 个父代个体 x1，x2 为：

% x1=0100110

% x2=1010001

% 从每个个体的第 3 位开始交叉，交又后得到 2 个新的子代个

体 y1，y2 分别为：

% y1＝0100001

% y2＝1010110

% 这样 2 个子代个体就分别具有了 2 个父代个体的某些特征。

利用交又我们有可能由父代个体在子代组合成具有更高适合度

的个体。

% 事实上交又是遗传算法区别于其它传统优化方法的主要特点

之一。

%遗传算法子程序

%Name: crossover.m

%交叉

function [newpop]=crossover(pop,pc)

[px,py]=size(pop);

newpop=ones(size(pop));

for i=1:2:px-1

if(rand<pc)

cpoint=round(rand*py);

newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];

newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];

else

newpop(i,:)=pop(i);

newpop(i+1,:)=pop(i+1);

end

% 2.6 变异

% 变异(mutation)，基因的突变普遍存在于生物的进化过程中。

变异是指父代中的每个个体的每一位都以概率 pm 翻转，即由

“1”变为“0”，

% 或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地

搜索到解可能存在的整个空间，因此可以在一定程度上求得全局

最优解。

%遗传算法子程序

%Name: mutation.m

%变异

function [newpop]=mutation(pop,pm)

[px,py]=size(pop);

newpop=ones(size(pop));

for i=1:px

if(rand<pm)

mpoint=round(rand*py);

if mpoint<=0

mpoint=1;

end

newpop(i)=pop(i);

if any(newpop(i,mpoint))==0

newpop(i,mpoint)=1;

else

newpop(i,mpoint)=0;

end

else

newpop(i)=pop(i);

end

% 2.7 求出群体中最大得适应值及其个体

%遗传算法子程序

%Name: best.m

%求出群体中适应值最大的值

function [bestindividual,bestfit]=best(pop,fitvalue)

[px,py]=size(pop);

bestindividual=pop(1,:);

bestfit=fitvalue(1);

for i=2:px

if fitvalue(i)>bestfit

bestindividual=pop(i,:);

bestfit=fitvalue(i);

end

% 2.8 主程序

%遗传算法主程序

%Name:genmain05.m

clear

clf

popsize=20; %群体大小

chromlength=10; %字符串长度（个体长度）

pc=0.6; %交叉概率

pm=0.001; %变异概率

pop=initpop(popsize,chromlength); %随机产生初始群体

for i=1:20 %20 为迭代次数

[objvalue]=calobjvalue(pop); %计算目标函数

fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度

[newpop]=selection(pop,fitvalue); %复制

[newpop]=crossover(pop,pc); %交叉

[newpop]=mutation(pop,pc); %变异

[bestindividual,bestfit]=best(pop,fitvalue); %求出群体中适应值

最大的个体及其适应值

y(i)=max(bestfit);

n(i)=i;

pop5=bestindividual;

x(i)=decodechrom(pop5,1,chromlength)*10/1023;

pop=newpop;

end

fplot('10*sin(5*x)+7*cos(4*x)',[0 10])

hold on

plot(x,y,'r*')

hold off

[z index]=max(y); %计算最大值及其位置

x5=x(index)%计算最大值对应的 x 值

y=z

【问题】求 f(x)=x 10*sin(5x) 7*cos(4x)的最大值，其中 0<=x<=9

【分析】选择二进制编码，种群中的个体数目为 10，二进制编码

长度为 20，交叉概率为 0.95,变异概率为 0.08

【程序清单】

%编写目标函数

function[sol,eval]=fitness(sol,options)

x=sol(1);

eval=x 10*sin(5*x) 7*cos(4*x);

%把上述函数存储为 fitness.m 文件并放在工作目录下

initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小

为 10

[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1

1],'maxGenTerm',25,'normGeomSelect',...

[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25 次

遗传迭代

运算借过为：x =

7.8562 24.8553(当 x 为 7.8562 时，f（x）取最大值 24.8553)

注：遗传算法一般用来取得近似最优解，而不是最优解。

遗传算法实例 2

【问题】在－5<=Xi<=5,i=1,2 区间内，求解

f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2

x2.^2)))-exp(0.5*(cos(2*pi*x1) cos(2*pi*x2))) 22.71282 的最小

值。

【分析】种群大小 10，最大代数 1000，变异率 0.1,交叉率 0.3

【程序清单】

％源函数的 matlab 代码

function [eval]=f(sol)

numv=size(sol,2);

x=sol(1:numv);

eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))

/numv) 22.71282;

%适应度函数的 matlab 代码

function [sol,eval]=fitness(sol,options)

numv=size(sol,2)-1;

x=sol(1:numv);

eval=f(x);

eval=-eval;

%遗传算法的 matlab 代码

bounds=ones(2,1)*[-5 5];

[p,endPop,bestSols,trace]=ga(bounds,'fitness')

注：前两个文件存储为 m 文件并放在工作目录下，运行结果为

p =

0.0000 -0.0000 0.0055

大家可以直接绘出 f(x)的图形来大概看看 f（x）的最值是多少，

也可是使用优化函数来验证。matlab 命令行执行命令：

评论收藏

内容反馈

版权申诉

手把手教你学AI

粉丝: 9447
资源: 4774

遗传算法matlab代码.doc.zip

遗传算法matlab代码.doc

遗传算法MATLAB代码.zip

遗传算法matlab代码.zip

Matlab常用算法 遗传算法matlab代码 蚂蚁算 法蒙特卡洛 模拟退火算法等算法合集.zip

非线性整数规划的遗传算法Matlab程序.zip

Matlab常用算法大集合.zip

遗传算法及其MATLAB程序.doc.zip

遗传算法matlab代码

遗传算法matlab实现源程序.doc.zip

matlab遗传算法实例.doc.zip

2022年精选数学建模算法教程文档合集第16期：遗传算法（100份）.zip

遗传算法及其MATLAB程序.zip

BP神经网络MATLAB代码.zip

matlab遗传算法实例.zip_matlab 遗传算法_遗传算法

遗传算法matlab实现源程序.zip

【背包问题】基于遗传算法求解背包问题附matlab代码.zip

算法大全常用数值算法MATLAB数学建模算法灰色算法蒙特卡洛神经网络图论算法遗传算法资料大集合.zip

遗传算法算法模型+课件讲义代码.zip

最新资源

Matlab常用算法遗传算法matlab代码蚂蚁算法蒙特卡洛模拟退火算法等算法合集.zip