遗传算法（一）基本遗传算法(SGA)及MATLAB源码

最新推荐文章于 2024-04-17 22:01:04 发布

VIP文章救世腹肌2298

最新推荐文章于 2024-04-17 22:01:04 发布

阅读量2.4w

点赞数 11

分类专栏：遗传算法文章标签：智能算法优化 matlab 遗传算法

本文链接：https://blog.csdn.net/qq_37043191/article/details/77528983

版权

遗传算法（Genetic Algorithm）是常用的智能算法的一种，遗传算法GA(Genetic Algorithm)入门知识梳理对GA进行了详尽的基本介绍，其结尾附的七个链接也让人很有启发。本文附上自己对遗传算法的学习理解与代码实现。

//挖坑

根据遗传算法基础知识，写出伪代码如下：

Initialization();
while less than maximum iterations
    Crossover(parent, pCross) -> childrenCross
    Mutation(parent, pMutation) -> childrenMutate
    [childrenCross; cihldrenMutate] -> children
    Calculate the fitness of children
    select(children) -> parent
    if Satisfy terminal condition
        break
    end
end

整体思路可以说是比较简单，生成种群->交叉、变异->遗传（自然选择）->下一代。生成种群需要一定的编码技巧（挖坑，以后填）。

下面给出具体MATLAB代码实现：

%%
%编码方式： 基本二进制编码
%Input:     FitFunc:    Any function
%           pCrossover: probability of crossover, default 0.5
%           pMutation:  probability of mutation,  default 0.04
%           GroupNum:   number of individuals of the virtual group, default 30
%           MaxIter:    maximum iterations
%           MaxRepeat:  (optional)determine the convergence standard 判断收敛
%parent.fitness
%parent.chrom

function Result = MyGA(FitFunc, pCrossover, pMutation, GroupNum, MaxIter, MaxRepeat)
    %Default parameters
    if nargin < 6
        MaxRepeat = 10;
        if nargin < 5
            MaxIter = 1000;
            if nargin < 4
                GroupNum = 50;
                if nargin < 3
                    pMutation = 0.04;
                    if nargin < 2
                        pCrossover = 0.5;
                    end
                end
            end
        end
    end

    Result  =  [];
    epsilon =  1e-5;
    iter    =  0;
    iRepeat =  1;
    bit     =  22;
    thisMax =  0;
    parent  =  InitGroup(GroupNum, FitFunc, bit);   %Generate initial populati