计算目标函数的全局最小值-遗传算法求解

最新推荐文章于 2024-06-22 22:29:02 发布

heda3

最新推荐文章于 2024-06-22 22:29:02 发布

阅读量2.3k

点赞数 3

分类专栏：机器学习文章标签：算法遗传算法目标函数最优化全局最小值

本文链接：https://blog.csdn.net/heda3/article/details/129786896

版权

机器学习专栏收录该内容

28 篇文章 5 订阅

订阅专栏

一、问题描述：

二、运行遗传算法（默认参数）求解函数最小值

2.1通过gaplot1drange函数绘制算法每次迭代的种群范围

一、问题描述：

如下为目标函数，

该函数有两个局部最小值，（0，-1）和（101，–1 – 1/e）

function y = two_min(x)
if x <= 100
    y = -exp(-(x/100)^2);
else
    y = -exp(-1) + (x-100)*(x-102);
end
end

二、运行遗传算法（默认参数）求解函数最小值

2.1通过gaplot1drange函数绘制算法每次迭代的种群范围

rng default % For reproducibility
options = optimoptions('ga','PlotFcn',@gaplot1drange);
[x,fval] = ga(@two_min,1,[],[],[],[],[],[],[],options)

遗传算法返回的值（目标函数最优解-函数的值）接近局部最小x=0；所有的个体（种群中的所有个体-所有的函数值解）范围-60-60；种群没有搜索到最佳的解x=101。

最终迭代到50代附近终止，纵坐标表示种群的所有可能解范围（中间的波浪线为每一代所有种群可能解的均值），x在（-60，60）范围内

2.2 增加种群的初始化范围

从2.1所使用的默认参数，只能让求解局限在（-60，60）范围内，为此增加种群的范围，以增加个体的多样性，原先的options.InitialPopulationRange = [-10;10]

options.InitialPopulationRange = [-10;90];
[x,fval] = ga(@two_min,1,[],[],[],[],[],[],[],options)

图中可看出个体范围更广，求解的x范围（-300，300）；最终经过60次以上进化迭代，算法收敛于最优的个体x=101，在第100代时基本所有个体都近似为101附近，在第80代时所有个体的平均值已经趋近于101。

2.3 迭代绘图函数

function state = gaplot1drange(options,state,flag)
%gaplot1drange 绘制种群所有个体的值和它们的均值
%   STATE = gaplot1drange(OPTIONS,STATE,FLAG) plots the mean and the range
%   (highest and the lowest) of individuals (1-D only).  
%
%   Example:
%   Create options that use gaplot1drange
%   as the plot function
%     options = optimoptions('ga','PlotFcn',@gaplot1drange);

if isinf(options.MaxGenerations) || size(state.Population,2) > 1
    title('Plot Not Available','interp','none');
    return;
end
generation = state.Generation;
score = state.Population;
%所有个体（解-x）的均值
smean = mean(score);
%所有个体（解-x）的上下限 
Y = smean;
L = smean - min(score);
U = max(score) - smean;

switch flag

    case 'init'
        set(gca,'xlim',[1,options.MaxGenerations+1]);
        plotRange = errorbar(generation,Y,L,U);
        set(plotRange,'Tag','gaplot1drange');
        title('Range of Population, Mean','interp','none')
        xlabel('Generation','interp','none')
        %legend('Range of Population','Mean')
    case 'iter'
        plotRange = findobj(get(gca,'Children'),'Tag','gaplot1drange');
        newX = [get(plotRange,'Xdata') generation];
        newY = [get(plotRange,'Ydata') Y];
        newL = [get(plotRange,'Ldata') L];
        newU = [get(plotRange,'Udata') U];       
        set(plotRange,'Xdata',newX,'Ydata',newY,'Ldata',newL,'Udata',newU);
        
end
end

三、参数设置

3.1 初始化种群范围设置

Gacreationuniform 创建均匀分布的随机初始种群，其中均匀分布在初始化种群范围（InitialPopulationRange）中，默认InitialPopulationRange=[-10,10]。

options.InitialPopulationRange = [-10;90];

3.2 迭代绘图函数设置

在每次算法迭代时调用绘图函数。绘图函数的选项设置方式为：

options = optimoptions('ga','PlotFcn',@gaplot1drange);

Plot functions	说明
gaplotscorediversity	绘制每次迭代时分数的直方图
gaplotstopping	绘制停止迭代的标准水平
gaplotgenealogy	绘制个体的家谱，从当前代到下一代红色线指示变异子代蓝色线指示交叉子代黑色线指示优秀个体
gaplotscores	绘制每一代个体的分数
gaplotdistance	绘制每一代个体之间的平均距离
gaplotselection	绘制父代的直方图
gaplotmaxconstr	绘制每一代的最大非线性约束冲突
gaplotbestf	绘制每代的最佳分数值和平均分数值
gaplotbestindiv	绘制每一代中具有最佳适应度函数值的个体条目
gaplotexpectation	绘制每一代的期望子代数目
gaplotrange	绘制每一代的最小、最大和平均分数值

或者可将自定义函数作为函数句柄传递。

function state = plotfun(options,state,flag)

参数说明：

options 包含了所有当前的参数设置结构

state 包含当前代的信息的结构

状态结构包含如下参数

`Generation`	当前代编号
`StartTime`	遗传算法开始时间
`StopFlag`	停止的原因标识
`LastImprovement`	适应度函数值最后/上一次改进的一代
LastImprovementTime	上次改进发生的时间
`Best`	每一代发生的最佳分数向量
`how`	非线性约束算法报告如下的动作： Infeasible point、Update multipliers、Increase penalty
`FunEval`	函数计算的累计次数
`Expectation`	选择个体的期望
`Selection`	选择最佳、交叉、变异个体的索引
`Population`	当前代的种群
`Score`	当前种群的分数
`NonlinIneq`	当前点的非线性不等式约束
`NonlinEq`	当前点的非线性等式约束
`EvalElites`	指示遗传算法评估最优个体的适应度函数的逻辑值
`HaveDuplicates`	指示遗传算法对于初始化种群添加重复个体的逻辑值

flag 算法当前所处的阶段描述，init 初始状态，iter迭代状态，interrupt 非线性约束问题的子问题迭代，done最终状态

3.3 种群设置

指定种群的参数

 options = optimoptions('ga','CreationFcn',@myfun);

function Population = myfun(GenomeLength, FitnessFcn, options)

PopulationType

种群的适应度函数类型

doubleVector，bitstring

PopulationSize

种群大小。当基因个数（组成个体的元素个数）小于等于5时，默认种群大小为50，否则种群大小为200。

当设置种群大小为向量，则遗传算法创建多个子种群，每个子种群的大小为对应的向量条目

CreationFcn

知道创建初始化种群的函数

[] 使用默认的函数

Gacreationuniform基于均匀分布创建随机初始化种群。当没有线性约束或整型约束时，均匀分布在初始化种群范围InitialPopulationRange内，默认InitialPopulationRange =[-10;10];

当存在整型约束时，InitialPopulationRange = [-9999;10001]

3.4 适应度缩放因子设置

FitnessScalingFcn

options = optimoptions('ga','FitnessScalingFcn',{@fitscalingtop,quantity})

FitnessScalingFcn

Fitscalingrank默认的适应度缩放函数 fitscalingprop 让缩放值和原始的适应度分数值成比例

Fitscalingtop 顶级缩放默认比例大小0.4

Fitscalingshiftlinear 线性缩放，默认比例大小2

3.5 选择设置

遗传算法如何选择父代

options = optimoptions('ga','SelectionFcn',...

{@selectiontournament,size})

SelectionFcn option可选择：

selectionstochunif	默认的选择函数
selectionremainder	Remainder 选择函数，以缩放值的整数部分和剩余的小数部分以轮盘选择
selectionuniform	Uniform 选择函数，使用期望和父代的数目
selectionroulette	Roulette 轮盘选择
selectiontournament	Tournament 选择函数，以最佳的个体最为父代，Size大小至少为2，默认值为4

自定义函数：

options = optimoptions('ga','SelectionFcn',@myfun);

3.6 繁衍设置

指定遗传算法如何为下一代创造孩子的

EliteCount

指定保证存活下一代的个体数目，默认值ceil(0.05*PopulationSize) 对于连续问题，0.05*(default PopulationSize) 对于混合整型问题

CrossoverFraction

交叉比例默认0.8，值范围为0-1之间

3.7 变异设置

使得遗传算法提供基因的多样性，使得遗传算法可以搜索更全面的空间

MutationFcn 函数可选：

mutationgaussian

对于非约束问题，默认的变异函数

options = optimoptions('ga','MutationFcn', ...

{@mutationgaussian, scale, shrink})

标准偏差的分布取决于scale, shrink参数，默认的scale=1、shrink=1；

mutationuniform

均匀突变分为两个过程，1、个体的一小部分条目进行变异，每个条目都有一定的变异概率，默认rate=0.01；2、将选择的条目替换为该条目范围中随机选择的随机数

options = optimoptions('ga','MutationFcn', {@mutationuniform, rate})

mutationadaptfeasible

存在约束时的默认突变函数

3.8交叉设置

CrossoverFcn 选择：

crossoverscattered	默认的交叉函数，创建一个随机的二进制向量，并选择二进制向量1位置对应的第一个父代基因，选择二进制向量0位置对应的第二个父代基因，将它们组合构成子代
crossoversinglepoint	定义交叉点n，选择向量单元序号小于或等于n对应的第一个父代基因，选择向量单元序号大于n对应的第二个父代基因，将它们连接构成子代基因
crossovertwopoint	选择两个随机数m和n，两个随机数的范围在1-nvars（个体的基因长度）之间，选择向量单元序号小于等于m对应的第一个父代基因；选择向量单元序号在m+1-n之间对应的第二父代基因；选择向量单元序号大于n对应的第一个父代基因；将它们三组基因按照顺序组合构成子代
crossoverintermediate	子代的产生是通过父代的加权平均计算，默认权重ratio=1 child = parent1 + rand * Ratio * ( parent2 - parent1)
Crossoverheuristic	子代的创建是通过计算子代和父代之间的距离并通过参数Ratio靠近距离最佳适应度值对应的父代，远离距离最差适应度值对应的父代，该Ratio默认值1.2 child = parent2 + ratio * (parent1 - parent2);
crossoverarithmetic	子代的创建是通过计算父代的加权算术平均

3.9停止迭代设置

`MaxGenerations`	指定遗传算法的最大迭代次数，默认为100*numberOfVariables
`MaxTime`	指定遗传算法运行的最长时间
FitnessLimit	如果最佳的适应度函数值小于或等于FitnessLimit则算法停止
MaxStallGenerations	如果最佳适应度函数值的平均相对变化小于等于FunctionTolerance，则算法停止迭代
`MaxStallTime`	如果在MaxStallTime指定时间内最佳适应度函数值没有进一步改善，则算法停止迭代
`FunctionTolerance`	如果最佳适应度函数值的平均相对变化小于等于FunctionTolerance，则算法停止迭代
`ConstraintTolerance`	`ConstraintTolerance` 约束容差不用做停止条件，用于决定非线性约束的可行性

3.10 输出函数选项

遗传算法的输出函数可以读取状态值和修改这些值

单个输出函数：

options = optimoptions('ga','OutputFcn',@myfun);

多个输出函数：

options = optimoptions('ga','OutputFcn',{@myfun1,@myfun2,...});

输出函数：

[state,options,optchanged] = myfun(options,state,flag)

Options

选项

state

该结构包含当前代的信息

flag

算法当前的状态

Init 初始化状态

Iter 迭代状态

Interrupt  非线性约束问题的子问题迭代

Done 最终状态

heda3

关注

3
点赞
踩
16

收藏

觉得还不错? 一键收藏
打赏
0
评论
计算目标函数的全局最小值-遗传算法求解

该文章介绍了利用遗传算法求解目标函数的全局最小值，通过种群初始范围的设定可增加搜索空间的多样性，有利于找到全局最小值，以及介绍了遗传算法的一些参数设置说明
复制链接

扫一扫

专栏目录