遗传算法非均匀突变

非均匀突变（Non-Uniform Mutation）是遗传算法中的一种变异操作，用于增加多样性和引入随机性，以更好地探索搜索空间。与均匀突变不同，非均匀突变的特点是变异幅度不是恒定的，而是根据进化代数或其他参数的进展而逐渐减小。

以下是非均匀突变的一些关键特点和工作原理：

1. 变异幅度递减：在非均匀突变中，初始时变异幅度较大，随着算法的进化，这个幅度逐渐减小。这意味着初始阶段引入更大的随机性，有助于从多样性角度来探索搜索空间，而随着进化的进行，变异逐渐减小，以帮助收敛到更接近最优解的区域。

2. 控制参数：非均匀突变通常需要设置一些参数来控制变异幅度的减小速度。这些参数可能包括形状参数、最大变化量、进化代数等，这些参数会影响变异的速率和范围。

3. 引入多样性：非均匀突变的目的是引入多样性，以避免遗传算法收敛到局部最优解。在开始阶段，较大的变异幅度有助于跳出当前的局部最优解，而在进化的后期，较小的变异幅度有助于细化解空间，逐渐接近全局最优解。

4. 适应性：非均匀突变的变异幅度通常根据算法的性能或其他指标来调整。如果算法进展得较慢或陷入局部最优解，可以增加变异幅度，以重新引入多样性。

总之，非均匀突变是一种有助于提高遗传算法性能的策略，通过逐渐减小变异幅度，它能够在搜索空间中平衡多样性和收敛性，从而更好地找到全局最优解或更好的解决方案。这种策略对于复杂的优化问题非常有用。

有关非均匀突变的控制参数：

1. 形状参数（Shape Parameter）：形状参数通常表示为b，它是非均匀突变函数的一个重要参数。它影响变异幅度随时间的变化速度。较大的形状参数会导致变异幅度减小得更快，而较小的形状参数会导致变异幅度减小得更慢。通过调整形状参数，可以改变非均匀突变的变异速率。

2. 最大变化量（Maximum Amount of Change）：通常表示为y，它表示变异操作可以引入的最大变化量。这个参数决定了在变异中允许的最大随机偏移。较大的最大变化量将导致更大的变异幅度，而较小的最大变化量将导致较小的变异幅度。

3. 进化代数（Generation Count）：有时非均匀突变的变异幅度会根据进化代数的增加而减小。这可以通过在算法的迭代过程中跟踪当前的代数来实现。随着代数的增加，可以动态调整非均匀突变的变异幅度，逐渐减小它，以帮助算法收敛到更好的解决方案。

4. 其他控制参数：具体的非均匀突变函数可能还包括其他参数，例如最小变异幅度、最大变异幅度等，这些参数可以根据问题的需求进行调整。

通过调整这些控制参数，可以在遗传算法中有效地管理非均匀突变操作，以在不同阶段引入不同程度的随机性，以便更好地平衡多样性和收敛性，从而提高算法的性能并找到更好的解决方案。不同问题可能需要不同的参数设置，因此选择适当的参数非常重要。

function change = delta(ct, mt, y, b)  
%非均匀突变操作，用于在搜索空间中引入一些随机性，以避免陷入局部最优解
% delta 函数是非均匀突变使用的非均匀分布。
% 此函数根据当前代、最大代和可能的偏差量返回变化。
%
% ct - current generation当前代
% mt - maximum generation最大代
% y  - maximum amount of change, i.e. distance from parameter value to bounds
%      最大变化量，即参数值与边界值之间的距离
% b  - shape parameter形状参数

%%  
%计算当前代与最大代之间的比率，表示算法执行的进度
r = ct / mt;
if(r > 1)  %若r=1即当前代为最大代时，将比率设置为0.99，防止计算出现异常
  r = 0.99;
end
%计算变化值，确保了非均匀分布，其中r的值较小时，突变较大，而r的值较大时，突变较小
change = y * (rand * (1 - r)) ^ b;