人工智能应用-实验1-遗传算法求函数最大值实验

🧡🧡实验内容🧡🧡

用遗传算法求解下列函数的最大值，设定求解精度到15位小数

---

函数1

$$f(x,y)=\frac{6.452(x+0.125y)(\cos (x)-\cos (2y){)}^2}{\sqrt{0.8+(x-4.2{)}^2+2(y-7{)}^2}}+3.226y$$
$$x\in [0,10],y\in [0,10]$$

函数2

$$f(x_1,x_2)=20+x_1^2+x_2^2-10(\cos (2\pi x_1)+\cos (2\pi x_2))$$

---

🧡🧡源码🧡🧡

function f = lab1_fun(x)
    x1=x(1);
    x2=x(2);
    % ga默认求最小值，因此加个负号，表示求最大值
    f = - ( 6.452*( (x1+0.125*x2) * (cos(x1)-cos(2*x2)) )^2 / ((0.8+(x1-4.2)^2+2*(x2-7)^2)^0.5) + 3.226*x2 );
end

function f = lab1_fun2(x)
    x1=x(1);
    x2=x(2);
    f = 20 + x1^2 + x2^2 - 10 * ( cos(2*pi*x1) + cos(2*pi*x2) )
end

clear all;
close all;
clc;

fitness = @(x) lab1_fun(x)
fitness2 = @(x) lab1_fun2(x)

%% 画图
% 定义参数范围
x1 = linspace(-10, 10, 200);
x2 = linspace(-10, 10, 200);
[X1, X2] = meshgrid(x1, x2);

% 计算函数值
F = zeros(size(X1));
for i = 1:size(X1, 1)
    for j = 1:size(X1, 2)
        F(i, j) = fitness2([X1(i, j), X2(i, j)]);
    end
end

% 绘制函数图像
figure;
surf(X1, X2, F);
xlabel('x1');
ylabel('x2');
zlabel('f(x1,x2)');

%% 开始计时
tic

% 定义变量范围和精度
lb = [-10, -10];
ub = [10, 10];


% 配置参数
options = optimoptions(@ga,'MaxGenerations', 100, 'FunctionTolerance', 1e-15); % 最大迭代数，终止时的变化精度

options.PopulationType='doubleVector'; % 编码方式
options.PopulationSize=100; % 种群规模
options.InitialPopulationRange=[lb(1);ub(1)] % 初始种群的个体取值范围

options.FitnessScalingFcn = @fitscalingrank; % 个体选择概率分配策略：排序选择
% options.FitnessScalingFcn = @fitscalingprop; % 个体选择概率分配策略：比例选择

options.SelectionFcn = @selectionroulette; % 个体选择方法：轮盘赌
% options.SelectionFcn = @selectiontournament; % 个体选择方法：锦标赛

options.CrossoverFcn = @crossovertwopoint; % 交叉方式 单点
% options.CrossoverFcn = @crossovertwopoint; % 交叉方式 双点

options.EliteCount = 5; % 精英个体数量 5
options.CrossoverFraction = 1 ; % 交叉概率


% options.MutationFraction = 0.1 % 变异概率
options.MutationFcn = @mutationuniform % 变异方式 均匀变异
% options.MutationFcn = @mutationgaussian % 变异方式 高斯变异

options.TimeLimit = 20  % 最大运行时间限制 (秒)
options.FitnessLimit = -1000 % 最小适应度限制
options.PlotFcn={ @gaplotbestf,  @gaplotdistance} % 画出每一代最佳适应度值的变化曲线 、 最佳个体、 各个体平均距离
% @gaplotbestindiv,

% 使用遗传算法进行优化
% rng default % 设置随机数种子以确保结果可重复
[x, fval] = ga(fitness2, 2, [], [], [], [], lb, ub, [], options);
disp(['最优解 x = ', num2str(x, '%.15f  ')]);
disp(['最优值 fval = ', num2str(fval, '%.15f')]);

% 结束计时并输出运行时间
elapsedTime = toc;
disp(['程序运行时间：', num2str(elapsedTime), ' 秒']);

🧡🧡结果分析🧡🧡

函数1

对于函数

先画出大概的函数图像，可以看到，最优适应度值接近-3.462左右，此时x和y分别取1.809和0.1005左右。

采用matlab的gaoptimize工具箱，对遗传算法相关参数设置如下

求得结果如下：


最优适应度结果为-530，离理想结果-3.4差别很多，考虑可能是因为初始种群的个体取值范围取了[0,10]，导致它获得的个体并不理想（x，y取了6.5、7.8，与最优x和y差别也很大）。

调整种群规模为5，20，100，初始种群的个体取值范围为[0,1]，计算最佳适应度、平均适应度、最佳个体的x和y如下表:

种群规模为5、20、100时：



由以上结果分析可知：
随着种群规模增大，每一代最优fitness越来越平稳，且越来越接近理想最优值

• 种群规模较小时：可搜索的空间比较小，从而降低了算法的全局搜索能力，并且很难接近理想最优fitness。
• 种群规模较大时：有着更高的多样性（各个体的差异程度），减少早熟收敛的风险，如上结果中，种群规模100相比种群规模20，20容易陷入早熟，100随着迭代次数增加，可能会探索出新的更优局部值。

这里我继续保持种群规模为100，初始种群的个体取值范围为[0,1]，交叉概率为0.8，通过组合不同的选择交叉变异策略，得到结果如下:

分析结果：

• 高斯变异通过对个体的基因进行随机扰动来变异，能保证变异过程中基因的连续性，但是在此问题中，由于函数值对于x的轻微变化容易收到较大幅度的改变，因此导致结果大幅差异。并且高斯变异容易限制空间的探索能力，导致陷入局部最优。而均匀变异具有跳出局部最优的能力，适合全局搜索。
• 两点交叉相对单点交叉而言，能够更充分地交换父代个体的信息，从而增加了搜索空间，有助于更快地产生多样性，从实验结果也能看出：两点交叉最优fitness=-3.864优于单点交叉-3.909。
• 实验结果还表明：改变个体选择方式为竞标赛选择，保持了种群的多样性，更有利于接近最优fitness。轮盘赌能够有效地保留较优的个体，但同时也容易导致适应度较低的个体被忽视。

函数2

它是一个无约束函数，先姑且取x1、x2范围为[-10,10]，观察函数图像：

一眼望去，存在许多局部最小值，增大遗传算法的搜索难度。
凭直觉和观察可知，最优个体应接近(0,0)位置，最优适应度应接近0

设置基本参数如下：

结果如下：最优适应度0.863852724882126，最佳个体x = 0.043852278839774 ，0.049629792703598

设置不同的初始范围：
1到1.1


1到2


1到100


由以上结果分析可知：

• 如果初始范围较小，种群可能无法覆盖整个搜索空间，导致算法陷入局部最优解。例如[1,1.1]，结果直接选取了1作为最优个体。
• 如果初始范围较大，则种群中的许多个体可能是无效的，浪费计算资源。

将初始范围调回[-10,10]，设置不同的交叉概率0、0.8、1，观察每一代最佳适应度值和各个体平均距离图
交叉概率=0：


交叉概率=0.8：


交叉概率=1：

由以上结果分析可知：
交叉概率为0.8的最佳适应度最小，最接近最优值0

• 当交叉概率为0时，种群中的个体只会通过变异操作产生新的个体，而没有交叉操作，这可能导致种群缺乏多样性，难以进行有效的信息交流和组合。这会导致种群收敛速度较慢，同时容易陷入局部最优解（如上交叉概率为0的分析图中，迭代了100代仍然没有收敛现象）。
• 当交叉概率为1时，种群中的个体只会通过交叉操作产生新的个体，而没有变异操作，这可能导致种群缺乏多样性，在算法的早期阶段，由于种群缺乏多样性，可能会导致收敛速度较慢，甚至陷入早熟收敛（如上交叉概率为1图中，在第10代时就已经收敛）。
• 当交叉概率为0.8时，交叉操作有助于组合不同个体的优点，产生新的解，而变异操作有助于保持种群的多样性，避免早熟收敛，并且有机会引入新的优良个体。这样能够更好地维持种群的多样性，加快收敛速度，并且更有可能找到全局最优解。

🧡🧡实验总结🧡🧡

总结遗传算法的特点,并说明适应度函数在遗传算法中的作用
通过适应度函数计算得出个体的适应度，进而影响个体被选中的概率，从而影响到最优个体的取值，也即将解空间和适应度值建立了关联，指导着遗传算法的搜索方向。因此，总的来说，适应度函数旨在量化每个个体的优劣程度，使得适应度较高的个体在遗传操作中被更有可能地选择、交叉和变异，正因如此，才使得遗传算法能够对问题空间中优秀解的搜索和收敛。

心得
本次实验，进一步丰富了我对遗传算法的理论知识的理解和实际的实现过程。

• 遗传算法的原理：了解了遗传算法的基本流程，以及各个流程中不同的策略的差异。（轮盘赌、锦标赛、实数编码、二进制编码、单点交叉、多点交叉、均匀变异、高斯变异等等）
• 对matlab的遗传工具箱使用更加清晰熟悉，之前打数学建模时，也有自学这些启发式算法，但更多的是直接从可实现的代码方面进行直接使用，面对新的问题，可能代码要修改好一阵子，本次实验中，通过直接使用matlab的优化工具箱，大大减少了编写代码的时间。
• 另外，感受到调参的不容易，不同的参数对结果都有一时无法准确确定的影响，只能通过多次调参，结合理论，总结经验，方便下次求解，
  另外，虽然遗传算法不能完全解决所有问题（大多时候只能找到局部最优），但对于那些精度要求不高的问题，遗传算法提供了一种高效而且易于实现的解决方案，大大减少了计算量和成本。