进化算法（EA）求解多峰值函数优化（Matlab源码）

多峰值优化问题 (提供 DE 和 GA 两种解决思路)

多峰值优化问题，容易陷入局部最优，现提供两种方法解决该类问题。

1 实例

注：这种较简单的优化模型（除自变量本身外，不含其他等式或不等式约束），使用进化算法很好解决。

1.1 函数图像

1.2 提供图形绘制代码

% t=-3:0.1:15;
       [x,y] =meshgrid(-3:0.1:12.1,4.1:0.01:5.8);%%表示区域网格控制，目地是为了让x,y形成格点矩阵%%
       z=2.15+x.*sin(x.*4*pi)+y.*sin(y.*20*pi);
       mesh(x,y,z);

       %%设置三维曲面x轴，y轴，z轴，标题对应内容及三个坐标轴的取值范围%%
%        axis([-3,12.1,4.1,5.8])
       xlabel('X')；
       ylabel('Y');
       zlabel('Z');
       title('mesh三维曲面图');
       axis([-3 12.1 4.1 5.8 -20 20]);

2 实现方法

2.1 DE（差分进化算法）

2.1.1 DE实现

实现代码同另一篇博客的差分进化算法部分

约束满足优化

2.1.2 实验结果图

该算法收敛速度快，全局寻优能力也较强。

2.2 GA（遗传算法）

2.2.1 主函数

clear;clc;close all;

%%遗传参数设置
NUMPOP=200;%初始种群大小
irange_l=[-3,4.1]; %问题解区间
irange_r=[12.1,5.8];
LENGTH=12; %二进制编码长度
ITERATION = 100;%迭代次数
CROSSOVERRATE = 0.7;%杂交率
SELECTRATE = 0.5;%选择率
VARIATIONRATE = 0.01;%变异率

%初始化种群
pop=m_InitPop(NUMPOP,irange_l,irange_r);
pop_save=pop;

%开始迭代
for time=1:ITERATION
    time
    pop_save=pop;
    %计算初始种群的适应度
    fitness=m_Fitness(pop);
    %选择
    pop=m_Select(fitness,pop,SELECTRATE);
    %编码
    binpop=m_Coding(pop,LENGTH,irange_l);
    %交叉
    kidsPop = crossover(binpop,NUMPOP,CROSSOVERRATE);
    %变异
    kidsPop = Variation(kidsPop,VARIATIONRATE);
    %解码
    kidsPop=m_Incoding(kidsPop,irange_l,irange_r);
    %更新种群
    pop = [pop_save;pop; kidsPop];
    %% 贪婪策略 
    [best_x,best_solution,pop] = save_best(pop);
    best_X(time,:) = best_x;
    best_Solution(time,1) = best_solution; 
end

figure(1);
plot(best_Solution);
title(['min最优值  ',num2str(best_Solution(end))]);
xlabel(['best [x1,x2] = ',num2str(best_X(end,:))]);
ylabel("fitness");
disp(['最优个体：' 'x1 =' num2str(best_x(1)) '   ' 'x2 =' num2str(best_x(2))])
disp(['最优解：' num2str(best_solution)]);

2.2.2 种群初始化

function pop=m_InitPop(numpop,irange_l,irange_r)
%% 初始化种群
pop=zeros(numpop,2);
for i=1:numpop
    pop(i,:)=irange_l+(irange_r-irange_l).*rand(1,2);
end
end

2.2.3 计算初始种群适应度

function fitness=m_Fitness(pop)
for i=1:size(pop,1)
    fitness(i,1)=30-m_Fx(pop(i,:));  %%原函数值最大不超过30 ，由于是极小优化问题 ，适应度进行处理
end
end

2.3.4 选择（轮盘赌）

function parentPop=m_Select(matrixFitness,pop,SELECTRATE)
sumFitness=sum(matrixFitness(:));%计算所有种群的适应度

accP=cumsum(matrixFitness/sumFitness);%累积概率
%轮盘赌选择算法
for n=1:round(SELECTRATE*size(pop,1))
    matrix=find(accP>rand); %找到比随机数大的累积概率
    if isempty(matrix)
        continue
    end
    parentPop(n,:)=pop(matrix(1),:);%将首个比随机数大的累积概率的位置的个体遗传下去
end
end

2.2.5 编码 （二进制）

编码长度的确定根据每个自变量取值范围区间长度，和考虑保留小数的个数 ，转二进制确定：
例如： -3 ~12.1 区间长度 15.1 ，保留2位小数 1510 转二进制 101 1110 0110 11位2进制数
保留更多的有小数有利于算法精度的提升！！！

function binPop=m_Coding(pop,pop_length,irange_l)
%% 二进制编码（生成染色体）
% 输入：pop--种群
%      pop_length--编码长度
for i = 1:size(pop,1)
    pop(i,:)=round((pop(i,:)-irange_l)*10^2);
end

for n=1:size(pop,1) %行循环
    for k=1:size(pop,2) %列循环
        dec2binpop{n,k}=dec2bin(pop(n,k));%dec2bin的输出为字符向量；
                                          %dec2binpop是cell数组
        lengthpop=length(dec2binpop{n,k});
        for s=1:pop_length-lengthpop %补零
            dec2binpop{n,k}=['0', dec2binpop{n,k}];
        end
    end
    binPop{n,:}=dec2binpop{n,:};   %取dec2binpop的第k行
end
end

2.2.6 交叉

function kidsPop = crossover(parentsPop,NUMPOP,CROSSOVERRATE)
kidsPop = {[]};
n = 1;
while size(kidsPop,1)<NUMPOP-size(parentsPop,1) %让子代和父代的种群和为 预设种群数量
    %选择出交叉的父代和母代
    father = parentsPop{ceil((size(parentsPop,1)-1)*rand)+1,1};
    mother = parentsPop{ceil((size(parentsPop,1)-1)*rand)+1,1};
    %随机产生交叉位置
    crossLocation = ceil((length(father)-1)*rand)+1;
    %如果随即数比交叉率低，就杂交
    if rand<CROSSOVERRATE
        father(1,crossLocation:end) = mother(1,crossLocation:end);
        kidsPop{n,:} = father;
        n = n+1;
    end
end

2.2.7 变异

function kidsPop = Variation(kidsPop,VARIATIONRATE)
for n=1:size(kidsPop,2)
    if rand<VARIATIONRATE
        temp = kidsPop{n};
        %找到变异位置
        location = ceil(length(temp)*rand);
        temp = [temp(1:location-1) num2str(~temp(location))...
            temp(location+1:end)];
       kidsPop{n} = temp;
    end
end

2.2.8 解码

function pop=m_Incoding(binPop,irange_l,irange_r)
%% 解码
% popNum=1;
popNum = 2;%染色体包含的参数数量
for n=1:size(binPop,1)
    Matrix = binPop{n,1};
    for num=1:popNum
        pop(n,num) = bin2dec(Matrix)+irange_l(num);          %%之前减去左界，现加上左界
        if pop(n,num)<irange_l(num)||pop(n,num)>irange_r(num)   %%边界判断，若超出边界，即做重新赋值处理
           pop(n,num) = rand*(irange_r(num)-irange_l(num))+irange_l(num);
        end 
    end

end
end

2.2.9 贪婪选择

同时还原出目标函数值

function [best_x,best_solution,pop] = save_best(pop)
fitness = m_Fitness(pop);
[~,index] =sort(fitness,'descend');
m = size(pop,1);
for i = 1 : m/2 
    temp(i,1:2) = pop(index(i),:);
    temp(i,3) = fitness(index(i));
end

%%经过处理 适应度越大，函数值越小
pop = temp(:,1:2);
best_x = pop(1,:);
best_solution = m_Fx(best_x); 
end

2.2.10实验结果图

需要注意的是：该算法可能实现上存在一定问题（笔者没做深入研究），导致算法可能出现早熟，或者不能达到全局最优问题~~

有相关问题探讨请私信或留言，谢谢！
创作不易：如果有帮助请点赞！