遗传算法的简单实现
今天学习了遗传算法,其最大的特点就是能求取全局最优值,但是算法随机性高,对连续定义域很难求得精确解,本文仅参考遗传算法的思想,在整数范围内,来求取函数全局最大值
首先回顾一下算法流程
(b)方法在(a)的基础上,选择保留一部分父代个体,防止优秀基因的丢失,我在这里使用的是经典遗传算法,在下面这种简单的二次函数方面效果不错
clc;
clear;
%设置起始计时器
tic;
%定义群体个数num(设为偶数),定义自变量数n,定义自变量取值范围[1,top],
num=160;n=4;top=12;
%定义用来储存目标结果的向量
F_result=zeros(1,num);
%定义种群最大值,平均值
F_max=[];F_mean=[];F_min=[];
%随机生成num个个体,即生成初始种群
for i=1:num
for j=1:n
X{i}(j)=unidrnd(top);
end
F_result(i)=f(X{i}); %请先自定义f函数
end
i=1;
%选择使函数f较大的前一半个体随机组合,随机交换基因,产生下一代,直到群体数复原
while(1)
%取群体最大值,平均值,最小值作为观察对象
F_max(i)=max(F_result);F_mean(i)=mean(F_result);F_min(i)=min(F_result);
if (F_max(i)==F_mean(i))
break;
end
%选择前一半表现优秀的个体杂交产生下一代
F_tem=F_result; %临时存储F的结果用于排序
[result,coo]=sort(F_tem);
t=unidrnd(num/2); %基因交换循环过程中发生变异的某时刻
for j=1:num/2 %基因交换循环过程,子代将完全取代老一代
a=unidrnd(num/2)+num/2; %随机选择两个表现优秀的不同个体
b=unidrnd(num/2)+num/2;
if(a==b)
j=j-1;
continue;
end
%选择与重组
X{coo(j)}=[X{coo(a)}(1) X{coo(a)}(2) X{coo(b)}(3) X{coo(b)}(4)];
F_result(coo(j))=f(X{coo(j)});
X{coo(j+num/2)}=[X{coo(b)}(1) X{coo(b)}(2) X{coo(a)}(3) X{coo(a)}(4)];
F_result(coo(j+num/2))=f(X{coo(j+num/2)});
%变异
if(j==t)
c=unidrnd(n); %任选一位变异
d=unidrnd(top); %任变异成定义域内某值
X{coo(j)}(c)=d;
F_result(coo(j))=f(X{coo(j)});
X{coo(j+num/2)}(c)=d;
F_result(coo(j+num/2))=f(X{coo(j+num/2)});
end
end
i=i+1;
end
plot(F_max,'r');
hold on;
plot(F_mean,'g');
hold on;
plot(F_min,'b');
toc;
下面是运行结果