遗传算法求解一般函数极值问题

遗传算法的实现

1.种群初始化

大部分函数求解过程直接采用实数编码的方式即可

function ret=Code(lenchrom,bound)
%本函数将变量编码成染色体，用于随机初始化一个种群
% lenchrom   input : 染色体长度
% bound      input : 变量的取值范围
% ret        output: 染色体的编码值

flag=0;
while flag==0
    pick=rand(1,length(lenchrom));
    ret=bound(:,1)'+(bound(:,2)-bound(:,1))'.*pick; %线性插值
    flag=test(lenchrom,bound,ret);             %检验染色体的可行性
end

function flag=test(lenchrom,bound,code)
检验染色体的可行性，即每个自变量不能超过其上下界限
% lenchrom   input : 染色体长度
% bound      input : 变量的取值范围
% code       output: 染色体的编码值

flag=1;
[n,m]=size(code);

for i=1:n
    if code(i)<bound(i,1) || code(i)>bound(i,2)
        flag=0;
    end
end

编码方式通过线性插值的方式，即

x=lb+(ub-lb)*rank

        其中lb为自变量的下界，ub为自变量的上界，rank为[0,1]区间的随机数；并构造测试函数检验染色体的可行性，确保所有自变量均在其定义域内。

 

2.适应度函数

        适应度值是用来区分群体中各个个体好坏的指标，一般与自变量对应的函数值有关，适应度值大的个体表明其为优良个体，给予保留。根据需要（最大值或最小值）对适应度值与函数值进行转化——如求函数值的最大值，则适应度值即可为函数值，函数值越大适应度值越大，我们所要做的就是将我们所求的目标尽可能地给予更大的适应度值；若求函数值的最小值，则可令函数值的倒数作为个体的适应度值

Fitness（x）=1/f（x）

 

3.选择操作

        选择操作即为决定整个遗传算法种群走向的关键性步骤，遗传算法的选择操作通常以较大的概率保留父代优良个体到子代中，以此使得种群往适应度值高的方向进化，随着种群整体往适应度值大的方向偏移，则有更大的几率得到最优解，这也是遗传算法中种群进化的原因所在。

        选择方法多种多样，最为普遍的是轮盘赌法

p(i)=F(i)/sum(F)

即每个个体被选中保留至子代的概率为p(i)，p(i)即为此个体的适应度值与总适应度值之和的比值。具体实现过程为：例如共有10个个体，它们被选中的