Matlab实现 遗传算法 无向图结点分成两类使得两类间边数最少 数学建模作业

已于 2023-07-19 11:09:41 修改
阅读量856 收藏 12
点赞数 7
文章标签： 算法 matlab
于 2023-04-14 00:04:20 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/jiemona/article/details/130142361
版权

输入：一个图的邻接矩阵G，n1,n2 （举例n1=16,n2=1）

输出：节点的分类id（第一类为0，第二类为1，0的个数为n1个， 1的个数为n2个）

目标：使得两类之间的边数最少

算法：遗传算法

目录

步骤1：初始化种群，种群个数，随机生成初始种群

步骤2：交叉算子

步骤3：突变算子

步骤4：计算适应度，进行种群的优化选择

步骤5：将代码组合起来

步骤6：画图

给出如下邻接矩阵

0    1    0    0    0    0    0    0    0    0    0    1    0    0
0    1    0    0    0    0    0    0    0    0    1    0    0    0
0    0    0    0    0    0    0    1    1    0    0    0    1    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    1    0    1    1
0    0    0    0    0    0    0    0    0    0    0    0    0    1
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    1
0    0    0    0    0    0    0    0    0    0    0    0    1    1
0    0    0    0    0    0    0    0    0    0    0    0    1    1
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    1    1
0    0    0    0    0    0    0    0    0    0    0    0    0    1
0    0    0    0    0    0    0    0    0    0    0    0    1    1
0    0    0    0    0    0    0    0    0    0    0    0    0    0
0    0    0    0    0    0    0    0    0    0    0    0    1    1
0    0    0    0    0    1    0    1    0    1    0    0    1    1
0    0    0    0    0    1    0    1    0    0    0    1    0    0
0    0    0    1    1    0    0    0    0    0    0    1    0    0
0    0    0    0    0    0    0    0    0    1    0    0    0    1
0    0    0    1    1    0    0    0    0    0    0    0    0    1
0    0    0    0    0    0    0    0    0    0    0    1    0    1
0    0    0    1    0    0    1    0    0    0    0    0    1    1
0    0    0    0    0    0    0    0    0    0    0    0    1    1
0    0    0    0    1    1    0    0    1    0    0    0    1    1
1    0    1    1    0    0    0    0    0    1    1    1    0    1
1    0    1    1    0    0    1    1    1    1    1    1    1    0

步骤1：初始化种群，种群个数，随机生成初始种群

population = cell(1,100);
k=1;
 %随机选取100个种群
for i = 1:100
    a = randperm(34);
    a(find(a <= n1)) = 1;
    a(find(a > n1)) = 0;
    population(i) = {a};
end

        randperm（）:此 MATLAB 函数 返回行向量，其中包含从 1 到 n 没有重复元素的整数随机排列。找到1~16在数组a的位置，将此位置的数值置1,同理，17~34置0。

        这样就得到了一个值全是0或1的数组，0和1各表示一个分类，将34个点分为两类。重复100次，形成一个元胞数组，即为100个将结点分为两类的种群。

        更详细的一般编码步骤可以在其他文章搜到，但本题不涉及故不提及。

步骤2：交叉算子

 %交叉
    g = 1;
    count = 1;
    %总交叉次数小于500或得到40对交叉后存活的新个体
    while g <= 500 && count <= 40    
    e = sort(randperm(34,2));
    f = randperm(20,2);
    ransetia = cell2mat(population(f(1)));
    ransetib = cell2mat(population(f(2)));
    %存活条件为交叉前后两组点的数量不变
    if sum(ransetia(e(1):e(2))) == sum(ransetib(e(1):e(2)))
        lingshi = ransetia(e(1):e(2));
        ransetia(e(1):e(2)) = ransetib(e(1):e(2));
        ransetib(e(1):e(2)) = lingshi;
        population(19+2*count) = {ransetia};
        population(20+2*count) = {ransetib};
        count = count+1;
    end
    g = g+1;
    end

让我们先设定词义  种群=染色体

        编码的交叉类比染色体交叉，交叉的编码段位置及长度由randperm随机出来，在此题中要满足分出的两类数量为16和18，故交叉出的染色体也要满足条件，ransetia、ransetib中1的数量仍然保持为16，不满足的则直接被淘汰，满足的加入种群。

        总交叉次数500可以自己视情况设定，count达到40停止，意思是生成40*2=80个新种群，更新元胞数组21~100位置的种群，前20个是上一次迭代保留的优秀种群，下文会提到。

步骤3：突变算子

        任选一个种群，选出两个结点，如果一个是0一个是1，将其突变为1和0，即在交换所属于不同类两个结点的位置。突变次数counter设置为80次，可以视情况改变。

%变异
    counter = 1;
    while counter <= 80
        c = randperm(34,2);
        r = cell2mat(population(randperm(100,1)));
        if sum(r(c)) == 1
            r(c) = r(c)*(-1)+1;
            population(20+counter) = {r};
            counter = counter+1;
        end
    end

步骤4：计算适应度，进行种群的优化选择

        适应度的测度：1/(两类结点之间连接的边数+1） 分母加一是以防分成互相之间没有边连通的两类时导致分母变为0出错。

 %适应度
    fitness = [];
    %计算适应度
    for i = 1:100
        x = cell2mat(population(i));
        b = Adjacency_matrix-x ;
        fitness(i) = 1/(length(find(b(find(x == 1),:)==1))+1);
    end

    [fitness,Index] = sort(fitness,"descend");
    %将每次迭代的最大适应度保存，便于后续画图
    maxfit(k) = fitness(1);
    %保存该次迭代的总体适应度水平
    general_fit(k) = mean(fitness);
    %淘汰80个种群
    population(Index(21:100)) = [];

        精英数量直接设置成了最优的前20个，并没有根据优劣程度排序进行轮盘赌选择，也没有根据迭代次数设置精英个数的递增保留。（因为这题这样已经够用了，可以去设置一下，不难）

步骤5：将代码组合起来

function finalans=GA(Adjacency_matrix,n1,n2)

% Adjacency_matrix= w
% n1 = 16,n2 = 18

if (n1+n2)~=size(Adjacency_matrix,1) ||...
    size(Adjacency_matrix,1)~=size(Adjacency_matrix,2)||...
    n1<1 || n2<1
    error('参数格式不合法')
end

population = cell(1,100);
k=1;
 %随机选取100个种群
for i = 1:100
    a = randperm(34);
    a(find(a <= n1)) = 1;
    a(find(a > n1)) = 0;
    population(i) = {a};
end

while k <= 100
    %交叉
    g = 1;
    count = 1;
    %总交叉次数小于500或得到40对交叉后存活的新个体
    while g <= 500 && count <= 40    
    e = sort(randperm(34,2));
    f = randperm(20,2);
    ransetia = cell2mat(population(f(1)));
    ransetib = cell2mat(population(f(2)));
    %存活条件为交叉前后两组点的数量不变
    if sum(ransetia(e(1):e(2))) == sum(ransetib(e(1):e(2)))
        lingshi = ransetia(e(1):e(2));
        ransetia(e(1):e(2)) = ransetib(e(1):e(2));
        ransetib(e(1):e(2)) = lingshi;
        population(19+2*count) = {ransetia};
        population(20+2*count) = {ransetib};
        count = count+1;
    end
    g = g+1;
    end


    %变异
    counter = 1;
    while counter <= 80
        c = randperm(34,2);
        r = cell2mat(population(randperm(100,1)));
        if sum(r(c)) == 1
            r(c) = r(c)*(-1)+1;
            population(20+counter) = {r};
            counter = counter+1;
        end
    end   
    %适应度
    fitness = [];
    %计算适应度
    for i = 1:100
        x = cell2mat(population(i));
        b = Adjacency_matrix-x ;
        fitness(i) = 1/(length(find(b(find(x == 1),:)==1))+1);
    end

    [fitness,Index] = sort(fitness,"descend");
    %将每次迭代的最大适应度保存
    maxfit(k) = fitness(1);
    %保存该次迭代的总体适应度水平
    general_fit(k) = mean(fitness);
    %淘汰80个种群
    population(Index(21:100)) = [];      
    k = k+1;
end

步骤6：画图

        画图风格因人而异，这里不贴代码直接贴出成品

        易知最小边数为10（分类结果不唯一）

芥末jmn
关注
  • 7
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
评论 6
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值