【优化求解】遗传算法求解资源配置优化问题【含Matlab源码 436期】

最新推荐文章于 2024-01-02 01:20:29 发布

Matlab武动乾坤

最新推荐文章于 2024-01-02 01:20:29 发布

阅读量182

点赞数 1

分类专栏： Matlab优化求解（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/134872387

版权

Matlab优化求解（进阶版）专栏收录该内容

270 篇文章 13 订阅

订阅专栏

⛄一、简介

遗传算法的应用步骤
遗传算法GA是基于进化和遗传理论而提出来的全局寻优方法。
简单遗传算法解决问题的基本步骤如下：
（1）初始化：随机生成N个个体作为初始群体P(0)，该种群就是目标函数可行解的一个集合。设置进化代数计数器归零，设置最大进化代数iter_max；
（2）个体评价：将初始种群代入目标函数中，根据适应度函数计算当前群体中各个种群的适应度；
（3）终止条件判断：给出终止条件，判断算法是否满足终止条件，若满足则转到（8）；
（4）选择运算：对初始群体执行选择操作，优良的个体被大量复制，劣质的个体复制的少甚至被淘汰；
（5）交叉运算：以交叉概率来进行交叉运算；
（6）变异运算：以变异概率来进行交叉运算；
（7）群体P(t)经过选择运算、交叉运算、变异运算之后，得到由N个新个体构成的下一代群体P(t+1)，则转（2），否则转（4）；
（8）不断的进化，最终会得到目标函数中，适应度最高的个体，将其作为问题的最优解或满意解输出，终止计算。
在这里插入图片描述

⛄二、部分源代码

clc
clear
%-------------------------------基于遗传算法的资源配置主函数-----------------------------

%参数定义
maxgen=200; %进化代数，即迭代次数
sizepop=10; %种群规模
%AimFunc=StrAimFunc; %目标函数(本算法以目标函数值为适应度)
%fselect=‘roulette’; %染色体的选择方法，您可以选择：锦标赛法－ ‘tournament’;轮盘赌法－‘roulette’
%fcode=‘float’; %编码方法，您可以选择：浮点法－‘float’;grey法则－－‘grey’;二进制法－‘binary’
pcross=[0.7]; %交叉概率选择，0和1之间
%fcross=‘float’; %交叉方法选择，您可以选择：浮点交叉－‘float’;单点交叉－‘simple’;均匀交叉－‘uniform’
pmutation=[0.1]; %变异概率选择，0和1之间
%fmutation=‘float’; %变异方法选择，您可以选择：浮点法－‘float’;单点法－‘simple’;

lenchrom=[15]; %每个变量的字串长度，如果是浮点变量，则长度都为1

for i=1:sizepop
%随机产生一个种群
individuals.chrom(i,:)=Code(lenchrom); %编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量）
%x=Decode(lenchrom,bound,individuals.chrom(i,:),fcode);%解码（binary和grey的解码结果为一个二进制串，float的解码结果为一个实数向量）
%计算适应度
%修改处
%individuals.fitness(i)=AimFunc(x,heli,id_data,0);
[individuals.fitness(i),T(i),Q(i),C(i),R(i)]=fitness(individuals.chrom(i,:)); %染色体的适应度
end

%找最好的染色体
[bestfitness bestindex]=max(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:); %最好的染色体
Tbest=T(bestindex);
Qbest=Q(bestindex);
Cbest=C(bestindex);
Rbest=R(bestindex);
avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度
trace=[avgfitness bestfitness,Tbest,Qbest,Cbest,Rbest];
kbest=1;

% % 进化开始
for i=1:maxgen
i
% 选择
individuals=Select(individuals,sizepop);
avgfitness=sum(individuals.fitness)/sizepop;
%交叉
individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop);
% 变异
individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop);

% 计算适应度 
for jj=1:sizepop
    [individuals.fitness(jj),T(jj),Q(jj),C(jj),R(jj)]=fitness(individuals.chrom(jj,:));   
end
 
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=max(individuals.fitness);
[worestfitness,worestindex]=min(individuals.fitness);
% 代替上一次进化中最好的染色体
if bestfitness<newbestfitness
    bestfitness=newbestfitness;
    bestchrom=individuals.chrom(newbestindex,:);
    Tbest=T(newbestindex);
    Qbest=Q(newbestindex);
    Cbest=C(newbestindex);
    Rbest=R(newbestindex);
    kbest=i;
end
individuals.chrom(worestindex,:)=bestchrom;
individuals.fitness(worestindex)=bestfitness;

avgfitness=sum(individuals.fitness)/sizepop;

trace=[trace;avgfitness bestfitness,Tbest,Qbest,Cbest,Rbest]; %记录每一代进化中最好的适应度和平均适应度
end

%画出适应度曲线
figure(1);
[r c]=size(trace);
plot([1:r]',trace(:,2));
title(['适应度曲线 ’ ‘终止代数＝’ num2str(maxgen)]);
xlabel(‘进化代数’);ylabel(‘适应度’);
axis([1,maxgen,240,320])
该函数用于对个体进行变异
%pmutation:变异概率 lenchrom:个体长度 chrom:种群 sizepop:种群规模
%ret:变异后的种群
function ret=Mutation(pmutation,lenchrom,chrom,sizepop)

for i=1:sizepop

%判断是否变异
pick=rand;
if pick>pmutation
    continue;
end

pick=rand;
    
if pick==0
    pick=rand;
end
index=ceil(pick*sizepop);    %变异位置
pos=ceil(pick*lenchrom);  %选择变异位置

if chrom(index,pos)==0
    chrom(index,pos)=1;
else
    chrom(index,pos)=0;
end