遗传算法参数寻优

遗传算法原理：（自编算法）

仿照达尔文的那句话“物竞天择，适者生存”

学习代码：寻优算法（1）-------遗传算法（GA）附Matlab代码（copy可用）-CSDN博客

• 种群初始化：不能对问题空间参数直接处理，需通过特定的编码如实数编码、位串编码、结构式编码等，把问题的可行解转换成遗传空间的染色体或个体

• 适应度评估：判断种群个体好坏，通常用目标函数变换得到

• 选择：选择更适合生存者，淘汰劣势者。适应度越高越容易被选中，选择操作方式常见的有轮盘赌法、锦标赛法等

• 交叉：下一代获得父母的基因片段，以得到更加优良的基因。

• 变异：光靠父母的基因不一定能够生存下来，环境等影响会造成基因的变异，使得其能跳出父母基因的限制，得到更适合生存的基因。

• 经过这样一轮轮的选择，优良的基因（自变量）就被选择出来了。

GEN是当前代数；M是种群规模，i代表种群数量

初始化种群：initpop.m

%初始化种群大小
%输入变量：
%popsize：种群大小
%chromlength：染色体长度-->>转化的二进制长度
%输出变量：
%pop：种群
function pop=initpop(popsize,chromlength)
pop = round(rand(popsize,chromlength));
%rand(3,4)生成3行4列的0-1之间的随机数，randperm生成整数的随机数
% rand(3,4)
% 
% ans =
% 
%     0.8147    0.9134    0.2785    0.9649
%     0.9058    0.6324    0.5469    0.1576
%     0.1270    0.0975    0.9575    0.9706
%round就是四舍五入
% round(rand(3,4))=
% 1 1 0 1
% 1 1 1 0
% 0 0 1 1
%所以返回的种群就是每行是一个个体，列数是染色体长度

 main.m

function main()
clear;
clc;
%种群大小
popsize=100;
%二进制编码长度
chromlength=10;
%交叉概率
pc = 0.6;
%变异概率
pm = 0.001;
%初始种群，得到每个个体的染色体
pop = initpop(popsize,chromlength);

for i = 1:100
    %计算适应度值（函数值）
    objvalue = cal_objvalue(pop);
    fitvalue = objvalue;
    %选择操作
    newpop = selection(pop,fitvalue);
    %交叉操作
    newpop = crossover(newpop,pc);
    %变异操作
    newpop = mutation(newpop,pm);
    %更新种群
    pop = newpop;
    objvalue = cal_objvalue(pop);
    fitvalue = objvalue;
    %寻找最优解
    [bestindividual,bestfit] = best(pop,fitvalue);
    x2 = binary2decimal(bestindividual);
    x1 = binary2decimal(newpop);
    y1 = cal_objvalue(newpop);
    if mod(i,10) == 0
        pause(1);
        figure(1);
        cla;
        fplot(@(x)4.*cos(2.*x).*sin(6.*x)+10.*sin(5.*x).*sin(3.*x)-3.*abs(x-5)+10,[0 10]);
        hold on;
        plot(x1,y1,'*');
        title(['迭代次数为n=' num2str(i)]);
    end
end
fprintf('The best X is --->>%5.2f\n',x2);
fprintf('The best Y is --->>%5.2f\n',bestfit);

计算适应度： cal_objvalue.m 【计算评估值】

%计算函数目标值
%输入变量：二进制数值
%输出变量：目标函数值
function [objvalue] = cal_objvalue(pop)
x = binary2decimal(pop);
%转化二进制数为x变量的变化域范围的数值
objvalue=4.*cos(2.*x).*sin(6.*x)+10.*sin(5.*x).*sin(3.*x)-3.*abs(x-5)+10;

%二进制转化成十进制函数
%输入变量：
%二进制种群
%输出变量
%十进制数值
function pop2 = binary2decimal(pop)
[px,py]=size(pop);
for i = 1:py
    pop1(:,i) = 2.^(py-i).*pop(:,i);
end
%sum(.,2)对行求和，得到列向量
temp = sum(pop1,2);
pop2 = temp*10/1023;

选择：selection.m

%如何选择新的个体
%输入变量：pop二进制种群，fitvalue：适应度值
%输出变量：newpop选择以后的二进制种群
function [newpop] = selection(pop,fitvalue)
%构造轮盘
[px,py] = size(pop);
totalfit = sum(fitvalue);
p_fitvalue = fitvalue/totalfit;
p_fitvalue = cumsum(p_fitvalue);%概率求和排序
ms = sort(rand(px,1));%从小到大排列
fitin = 1;
newin = 1;
while newin<=px
    if(ms(newin))<p_fitvalue(fitin)
        newpop(newin,:)=pop(fitin,:);
        newin = newin+1;
    else
        fitin=fitin+1;
    end
end

 交叉函数:crossover.m 【创新遗传算法一般更改这】

%交叉变换
%输入变量：pop：二进制的父代种群数，pc：交叉的概率
%输出变量：newpop：交叉后的种群数
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
end

 变异函数：mutation.m

%函数说明
%输入变量：pop：二进制种群，pm：变异概率
%输出变量：newpop变异以后的种群
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 newpop(i,mpoint) == 0
            newpop(i,mpoint) = 1;
        elseif newpop(i,mpoint) == 1
            newpop(i,mpoint) = 0;
        end
    else
            newpop(i,:) = pop(i,:);
    end
end

 选择最优个体：best.m

%求最优适应度函数
%输入变量：pop:种群，fitvalue:种群适应度
%输出变量：bestindividual:最佳个体，bestfit:最佳适应度值
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
end

案例：14个城市走一圈路程最短（TSP问题）的优化算法，选择使用轮盘法

5. matlab遗传算法编程（5）_哔哩哔哩_bilibili

遗传算法工具箱使用：

转化为标准形式：1.f(目标函数)  写一个.m文件

                             2.A，b（线性等式约束）需要将>=转换为<=。A=[-1 2 -1 1;-2 1 2 -1] 取系数值

                              b=[1;5]；b是不等式右侧的常数值

                             3.Aeq,beq（线性等式约束）本式未出现等式

                             4.lb,ub（决策变量上下界）表示x1~x4范围，lb=[-100 -100 0 0];ub=[100 100 10

                              10]

                             5.c,ceq（非线性不等式约束与非线性等式约束）需单独写m文件 

 打开工具箱：命令行->optimtool  / APP->optimization

自作：

目标函数要弄成MIN类型

因此要求的就是min RSME，使得模拟值和实验值适应度最高