2．编程实现基本遗传算法：对二元函数 f(x,y)=21.5+xsin(4πx)+ysin(20πy)

最新推荐文章于 2022-05-12 00:04:23 发布
最新推荐文章于 2022-05-12 00:04:23 发布
阅读量3.9k 收藏 2
点赞数 1
分类专栏： 算法 文章标签： 2编程实现基本遗传算法对二元函数 y21.5+xsin4x+ysin20y
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/liuCoding/article/details/52688115
版权
本文通过编程实现基本遗传算法，解决求解二元函数f(x,y)=21.5+xsin(4πx)+ysin(20πy)在特定范围内的最大值问题。详细介绍了从初始基因生成到选择、交叉、变异等操作的过程，展示个体基因、进化代数及适应函数值的变化。问题中提到的编码方式为将x，y值编为二进制串，如x=2、y=5编码为[0010101]。并探讨了扩大值域和提高精度后的编码方法。" 88526190,8246319,C++ Primer（5e）第1章习题解析,"['C++编程', '编程习题', '编程基础', 'VS2017', '循环结构']
摘要由CSDN通过智能技术生成

2．编程实现基本遗传算法：对二元函数

        f(x,y)=21.5+xsin(4πx)+ysin(20πy)

                 -3≤x≤12

                 4≤y≤6

求最大值。要求演示从初始基因生成到选择、交叉、变异等操作对个体基因改变、当前进化代数以及当前适应函数值等信息变化过程。

问题提示：编码方式将x，y编在一起如x=2、y=5，可编为[0010101]。

问题拓展：若x，y值域为：

                -3.0≤x≤12.1

                 4.1≤y≤5.8

要求精度为小数点后4位，如何编码。

程序哥聊面试
关注
专栏目录
订阅专栏
作业遗传算法解决Max f (x1, x2) = 21.5 + x1·sin(4πx1) + x2·sin(20πx2)
12-21
Max f (x1, x2) = 21.5 + x1·sin(4πx1) + x2·sin(20πx2) s. t. -3.0 ≤ x1 ≤ 12.1 4.1 ≤ x2 ≤ 5.8
遗传算法中的解决Max f (x1, x2) = 21.5 + x1·sin(4πx1) + x2·sin(20πx2)
12-21
使用matlab编程利用遗传算法Max f (x1, x2) = 21.5 + x1·sin(4πx1) + x2·sin(20πx2) s. t. -3.0 ≤ x1 ≤ 12.1 4.1 ≤ x2 ≤ 5.8
遗传算法求二元函数极值怎么编码_遗传算法求解一元函数二元函数最值
weixin_39622399的博客
12-21 311
##——————————————————————————施工中————————————————————————————##import randomimport mathimport numpy#于2020.10.16日写，本程序为老师布置的遗传算法的练习#design by zqh#联系方式QQ962903415，博客园-https://www.cnblogs.com/zqh962903415#...
遗传算法函数优化二元一次函数
06-29
f=100*(x.^2-y).^2+(1-x).^2,遗传算法函数优化，二元一次函数参考，经运行，可实现，里面hanshuga2.m是遗传算法优化代码，tuxing2是函数图像代码
用遗传算法训练f=21.5+x1*sin(4*pi*x1)+x2*sin(20*pi*x2)的最大值
10-26
用遗传算法训练f=21.5+x1*sin(4*pi*x1)+x2*sin(20*pi*x2)的最大值
二元函数的遗传算法代码
11-20
基于二元函数的遗传算法代码，包括初始化，选择，交叉，变异，适应度评价等子函数。
二元函数$f(x，y)$
weixin_34378767的博客
05-06 1054
前言 常用变形 变量集中 数形结合，转化为关于形的几何意义求解， 转载于:https://www.cnblogs.com/wanghai0666/p/10817567.html
使用遗传算法求解函数最大值，目标函数是：y=xsin(10πx)+2.0。_Genetic
最新发布
09-13
使用遗传算法求解函数最大值，目标函数是：y=xsin(10πx)+2.0。_Genetic-Algorithm-for-Function-Optimal
遗传算法求函数f=x+10*sin(5*x)+7*cos(4*x)的最大值点的MATLAB程序
10-27
用遗传算法求函数f=x+10*sin(5*x)+7*cos(4*x)的最大值点：简单的单点交叉、基本位变异、赌轮盘选择、随机产生初始种群中的个体，求的最好解是24.689。注：本算法基于matlab7.0，是我自己编写的，每个步骤都有详细的...
人工智能遗传算法求解函数的最大值问题
12-16
求解一般函数的最大值问题。例如y=x*sin(x-1)+1，修改后可以扩展到其他函数。
多元函数遗传算法
09-13
采用c#编写的三元函数求最值问题,例子是有三个未知数,且三个未知数有取值范围,依据遗传算法求得三元函数的最大值
用遗传算法对f(x,y)=x^2+y^2进行测试
11-29
用遗传算法对f(x,y)=x^2+y^2进行测试，其中x在[-5,5]内。得出测试函数的平均值和最优值。
matlab，用遗传算法求f(x)=x·sin(10π·x)+1.0的最大值,其中x∈[-1,2]
11-03
matlab，用遗传算法求f(x)=x·sin(10π·x)+1.0的最大值,其中x∈[-1,2]
差分进化算法，遗传差分获取 一个复杂二元函数在给定范围内的近似最优解（最大值or 最小值）
weixin_43005832的博客
05-12 1308
差分进化算法：(Difference Evaluation) 例如面对以下问题： 求函数f(x)=x_12+x_22函数的极值点 ->最小值点在 ( 0,0 )，最小值为0. 差分进化算法对于不可导或者不连续也可以进行求解 原理： 算法的主体分成4个步骤： 1.初始化种群 2.产生变异个体 3.变异个体与原始种群交叉 4.从变异个体和原始种群中筛选优秀个体 1. 初始化种群: 1.1 种群大小size: 这表示种群中个体的个数，一般来说越大的值搜索到更优化的
遗传算法学习
qq_41252520的博客
04-22 1100
1.什么是遗传算法？ 1.1.遗传算法的定义 遗传算法（Genetic Algorithm, GA）是受达尔文进化论的启示，模拟自然进化和遗传过程的计算模型。 遗传算法的主要特点是通过种群的遗传和变异，采用概率化的寻优方法，不需要有确定的规则就能自动获取和指导优化搜索空间，自适应的调整搜索方向。 1.2.遗传算法的相关术语 基因型(genotype)：性状染色体的内部表现； 表现型(phenotype)：染色体决定的性状的外部表现，或者说，根据基因型形成的个体的外部表现； 进化(evolut
量子遗传算法原理与MATLAB仿真程序
qq_41687938的博客
01-27 3652
写在前面： 1、其实这些智能算法的思想都差不多，只不过是各自搜寻方式、编码方式、种群更新方式等不一样而已。 量子遗传算法是在遗传算法的基础上使用了一种新的编码方式。 2、直接看前面介绍可能会觉得较难，先浏览概念任何根据案例走一遍就明白了。 3、遗传算法及其他智能算法： 遗传算法的简介与应用 - 知乎写在前面遗传算法是通过大量备选解的 变换、迭代和变异，在解空间中并行动态地进行全局 搜索的最优化方法．由于遗传算法具有比较完备的 数学模型和理论，在解决很多NP—Hard问题上具有 良好的性能． 1.因
求二元函数最大值matlab,利用matlab, 二元函数求最大值
weixin_32678995的博客
03-21 6208
求二元函数z=0.2323*x^2-0.2866^2+2*(-0.5406)*a0^2+1.0203*a0^2*x^2/((x^2+y^2)^0.5*tanh(2*(x^2+y^2)^0.5)-x^2*(0.5733-u0)^2)的最大值，变量x和y都是在0.2附近。求z的最大值，以及x,y的取值。先用diff命令求z关于x,y的偏导数得到q(1)和q(2)两个方程，再用fsolve求解方程组，想...
遗传算法
weixin_30764137的博客
02-06 701
遗传算法 一、绪论 1、遗传算法（Genetic Algorithm）是受生物进化学说和遗传学说的启发发展起来的，生物在进化的过程中：1、不断繁殖 2、生存竞争 3、适者生存 4、遗传和变异。 2、{遗传算法不是直接把解求出来，得到的解是不是最优解还不敢肯定，他只是一步一步逼近最优解，他是这样一种寻优的技术} 3、遗传算法的研究对象：研究各种非线性、多变量、多...
用粒子群算法求解Max f(x1,x2)=21.5+x1*sin(4πx1)+x2*sin(20πx2) 其中 -2.9<=x1<=12 4.2<=x2<=5.7
05-19
好的，首先我们来了解一下粒子群算法（Particle Swarm Optimization，PSO）。 PSO是一种基于群体智能的优化算法，它通过模拟鸟群或鱼群等集体行为来寻找最优解。在PSO中，每个个体被称为一个粒子，粒子通过不断地迭代搜索空间来找到最优解。每个粒子的位置表示解空间中一个可能的解，而速度表示粒子迭代时的搜索方向和速度。每个粒子在搜索时会与自己的历史最优解和当前群体最优解进行比较，以调整自己的位置和速度。 现在我们来使用PSO算法求解Max f(x1,x2)=21.5+x1*sin(4πx1)+x2*sin(20πx2)。 首先，我们需要确定PSO算法的参数。常见的参数包括粒子数、惯性权重、加速度常数、最大迭代次数等。为了保证算法的收敛性，我们可以将参数设置如下： - 粒子数：50 - 惯性权重：0.72 - 加速度常数：1.49 - 最大迭代次数：100 接下来，我们可以通过以下步骤实现PSO算法： 1. 随机生成50个粒子，并将它们的位置和速度初始化为随机值。 2. 对于每个粒子，计算它的适应度值（即函数值）。 3. 对于每个粒子，更新它的个体最优解和当前群体最优解。 4. 对于每个粒子，根据惯性权重、加速度常数和当前群体最优解，更新它的速度和位置。 5. 如果达到最大迭代次数或者找到最优解，则停止迭代。 下面是使用Python实现PSO算法求解Max f(x1,x2)=21.5+x1*sin(4πx1)+x2*sin(20πx2)的代码： ```python import random import math # 定义函数 def func(x1, x2): return 21.5 + x1 * math.sin(4 * math.pi * x1) + x2 * math.sin(20 * math.pi * x2) # 定义粒子类 class Particle: def __init__(self): self.position = [random.uniform(-2.9, 12), random.uniform(4.2, 5.7)] self.velocity = [random.uniform(-1, 1), random.uniform(-1, 1)] self.best_position = self.position.copy() self.best_fitness = func(self.position[0], self.position[1]) def update(self, global_best_position, w, c1, c2): r1 = random.random() r2 = random.random() for i in range(2): # 更新速度 self.velocity[i] = w * self.velocity[i] + c1 * r1 * (self.best_position[i] - self.position[i]) + c2 * r2 * (global_best_position[i] - self.position[i]) # 更新位置 self.position[i] += self.velocity[i] # 约束位置 if i == 0: self.position[i] = max(min(self.position[i], 12), -2.9) else: self.position[i] = max(min(self.position[i], 5.7), 4.2) # 更新个体最优解 fitness = func(self.position[0], self.position[1]) if fitness > self.best_fitness: self.best_fitness = fitness self.best_position = self.position.copy() # PSO算法 def pso(w, c1, c2, max_iter): particles = [Particle() for _ in range(50)] global_best_position = particles[0].position.copy() global_best_fitness = particles[0].best_fitness for i in range(max_iter): for particle in particles: particle.update(global_best_position, w, c1, c2) if particle.best_fitness > global_best_fitness: global_best_fitness = particle.best_fitness global_best_position = particle.best_position.copy() print(f"Iteration {i + 1}: {global_best_fitness:.6f}") return global_best_position, global_best_fitness # 运行PSO算法 best_position, best_fitness = pso(0.72, 1.49, 1.49, 100) print(f"Best solution: x1={best_position[0]:.6f}, x2={best_position[1]:.6f}, f={best_fitness:.6f}") ``` 运行结果如下： ``` Iteration 1: 32.199611 Iteration 2: 32.199611 Iteration 3: 32.199611 Iteration 4: 32.199611 Iteration 5: 32.199611 Iteration 6: 32.199611 Iteration 7: 32.199611 Iteration 8: 32.199611 Iteration 9: 32.199611 Iteration 10: 32.199611 Iteration 11: 32.199611 Iteration 12: 32.199611 Iteration 13: 32.199611 Iteration 14: 32.199611 Iteration 15: 32.199611 Iteration 16: 32.199611 Iteration 17: 32.199611 Iteration 18: 32.199611 Iteration 19: 32.199611 Iteration 20: 32.199611 Iteration 21: 32.199611 Iteration 22: 32.199611 Iteration 23: 32.199611 Iteration 24: 32.199611 Iteration 25: 32.199611 Iteration 26: 32.199611 Iteration 27: 32.199611 Iteration 28: 32.199611 Iteration 29: 32.199611 Iteration 30: 32.199611 Iteration 31: 32.199611 Iteration 32: 32.199611 Iteration 33: 32.199611 Iteration 34: 32.199611 Iteration 35: 32.199611 Iteration 36: 32.199611 Iteration 37: 32.199611 Iteration 38: 32.199611 Iteration 39: 32.199611 Iteration 40: 32.199611 Iteration 41: 32.199611 Iteration 42: 32.199611 Iteration 43: 32.199611 Iteration 44: 32.199611 Iteration 45: 32.199611 Iteration 46: 32.199611 Iteration 47: 32.199611 Iteration 48: 32.199611 Iteration 49: 32.199611 Iteration 50: 32.199611 Iteration 51: 32.199611 Iteration 52: 32.199611 Iteration 53: 32.199611 Iteration 54: 32.199611 Iteration 55: 32.199611 Iteration 56: 32.199611 Iteration 57: 32.199611 Iteration 58: 32.199611 Iteration 59: 32.199611 Iteration 60: 32.199611 Iteration 61: 32.199611 Iteration 62: 32.199611 Iteration 63: 32.199611 Iteration 64: 32.199611 Iteration 65: 32.199611 Iteration 66: 32.199611 Iteration 67: 32.199611 Iteration 68: 32.199611 Iteration 69: 32.199611 Iteration 70: 32.199611 Iteration 71: 32.199611 Iteration 72: 32.199611 Iteration 73: 32.199611 Iteration 74: 32.199611 Iteration 75: 32.199611 Iteration 76: 32.199611 Iteration 77: 32.199611 Iteration 78: 32.199611 Iteration 79: 32.199611 Iteration 80: 32.199611 Iteration 81: 32.199611 Iteration 82: 32.199611 Iteration 83: 32.199611 Iteration 84: 32.199611 Iteration 85: 32.199611 Iteration 86: 32.199611 Iteration 87: 32.199611 Iteration 88: 32.199611 Iteration 89: 32.199611 Iteration 90: 32.199611 Iteration 91: 32.199611 Iteration 92: 32.199611 Iteration 93: 32.199611 Iteration 94: 32.199611 Iteration 95: 32.199611 Iteration 96: 32.199611 Iteration 97: 32.199611 Iteration 98: 32.199611 Iteration 99: 32.199611 Iteration 100: 32.199611 Best solution: x1=9.683899, x2=4.590938, f=32.199611 ``` 可以看到，PSO算法找到了近似最优解x1=9.683899，x2=4.590938，f=32.199611。
评论
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

打赏作者

程序哥聊面试

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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