理解遗传算法及MATLAB代码实现

1.遗传算法

遗传算法（Genetic Algorithm, GA）是由美国密歇根（Michigan）大学心理教授、电子工程学和计算机科学教授John H.Holland首先提出的一种随机自适应的全局搜索算法。

2.算法基本原理及流程结构

2.1染色体编码

常用的较简单的两种编码方式：
（1）二进制编码方法：该方法产生的染色体是一个二进制符号序列，染色体的每个基因只能取值0或1；
（2）浮点数编码：染色体的长度等于问题定义的解得变量个数，染色体的每个基因等于解的每一维变量。

2.2群体的初始化

采用生成随机数的方法，初始化规模为N的群体，对染色体的每一维变量进行初始化赋值；

2.3适应值评价

采用评估函数对群体的染色体进行评价，（评估函数常根据问题的优化目标来定）分别计算每个染色体的适应值，保存适应值最大的染色体Best；

2.4选择算子

使用轮盘赌选择算法（其基本思想是基于概率的随机选择），求出种群中每个染色体的适应值得总合，再求出每个染色体适应值与总适应值的比值Pi，Pi比值越大被选中的概率就越大；

2.5交配算子

交配概率Pc（一般取值0.4~0.99），对于每个染色体，如果Random[0,1]小于Pc，该染色体可进行交配，其子代进入新种群，不参与交配的染色体直接进入新种群中

2.6变异算子

变异概率Pm（0.001~0.1之间），如果Random[0,1]小于Pm，改变基因的取值，否则基因保持不变。变异后的染色体取代原来的染色体进入新种群，不变异的直接进入新种群。

2.7更新适应值

变异后的新群体取代原有群体，重新计算群体中各个染色体的适应值,更新群体中的最大适应值Best.

2.8判断算法结束

如果进化代数超过了最大进化代数，或者最大适应值Best达到误差要求，算法就结束。

3.算法流程图

MATLAB代码实现

##计算函数f(x)=x+10sin(5x)+7cos(4x) x∈[0,10] 的最大值。

1.主函数

% 下面举例说明遗传算法 %
% 求下列函数的最大值 %
% f(x)=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。 %
% %

% 2.0 主程序
%遗传算法主程序
%Name:genmain05.m
%要求精度不大于0.01，
clear
clc

popsize=40;                         %群体大小
chromlength=10;                  %字符串长度(个体长度)
pc=0.5;                                %交叉概率，只有在随机数小于pc时，才会产生交叉
pm=0.006;                           %变异概率

pop=initpop(popsize,chromlength);               %随机产生初始群体
for i=1:20                                                       %20为遗传代数
        [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
        [newpop1]=crossover(newpop,pc);               %交叉
        [newpop2]=mutation(newpop1,pm);               %变异
        
        [objvalue]=calobjvalue(newpop2);                 %计算目标函数
        fitvalue=calfitvalue(objvalue