遗传算法及其MATLAB实现

概述

    遗传算法是一种仿生算法，即通过优胜劣汰的方式逐步淘汰种群中较差的个体，留下较优的个体，并一代代传递下去，最终选出最优个体。遗传算法基本步骤如下：

1. 编码。编码即给每个样本生成一个二进制码；
2. 生成种群。种群生成可以通过随机数生成的二进制码来生成，也可以通过迭代过程中步骤7给出的编码来生成；
3. 计算适应度和概率。通过适应度函数计算种群中每个样本的适应度，并计算下一步交叉过程中被选择概率；
4. 交叉。从种群中按概率挑选两个样本，并从样本中各取一半编码，生成子代的编码；
5. 变异。编码中任意一个位置数值按一定概率突变，从0变为1或者从1变为0；
6. 回到步骤2，直到满足退出条件为止。

通常情况下，计算结束后还需要后处理，比如绘图和数据输出或者保存。

流程图

示例和代码

用遗传算法求以下函数极大值：

f(x)=sin(10πx)/x , x∈[1,2] 代码如下：

Npopulation=40;%%种群数
UpperLimit=2.0;%%区间上限
LowerLimit=1.0;%%区间下限
NInterval=1024;%%区间数
MaxTimes=100;%%迭代次数
PMutates=0.001;%%突变概率
Mxavalue=zeros(MaxTimes,1);%%极大值矩阵
Meanvalue=zeros(MaxTimes,1);%%平均值矩阵

%% 初始数据编码
Rands=(UpperLimit-LowerLimit)*rand(Npopulation,1);%%随机数组
MatrixTen=round(Rands/((UpperLimit-LowerLimit)/NInterval));%%十进制数组
MatrixTwo=zeros(Npopulation,10);%%二进制序列，十位二进制数来表示
Populations=zeros(Npopulation,1);%%种群
for i=1:Npopulation 
    k=0;
    Quotient=MatrixTen(i);%%商
    Remainder=0;%%余数
    while(Quotient>0)
        Remainder=mod( Quotient,2);
        Quotient=floor(Quotient/2);
        MatrixTwo(i,10-k)=Remainder;
        k=k+1;
    end      
end

%% 遗传迭代
Times=1;
while(Times<=MaxTimes)
    %% 生成种群
    for i=1:Npopulation
        Quotient=0;
        for j=1:10
            Quotient=2*Quotient+MatrixTwo(i,j);
        end
        MatrixTen(i)=Quotient;
        Populations(i)=MatrixTen(i)*((UpperLimit-LowerLimit)/NInterval)+LowerLimit;%%种群
    end
    
    %% 计算适应度
    Probability=sin(10*pi*Populations)./Populations;%%适应度矩阵
    Mxavalue(Times)=max(Probability);
    Meanvalue(Times)=sum(Probability)/Npopulation;
    Probability=Probability+ones(Npopulation,1);
    Probability=Probability/sum(Probability);%%筛选概率矩阵
    %%  交叉
    NewMatrixTwo=zeros(Npopulation,10);
    for i=1:Npopulation
        rand1=rand(1,1);
        rand2=rand(1,1);
        Index1=0;%%交叉供体1
        Index2=0;%%交叉供体2
        for j=Npopulation:-1:1
            if(rand1<sum(Probability(1:j)))
                Index1=j;
            end
            if(rand2<sum(Probability(1:j)))
                Index2=j;
            end
        end
        NewMatrixTwo(i,:)=[MatrixTwo(Index1,1:5) MatrixTwo(Index2,6:10)];%%供体1的前半序列+供体2后半序列，生成新样本
    end
    %%  变异
    for i=1:Npopulation
        for j=1:10
            rand1=rand(1,1);
            if(rand1<PMutates)
                NewMatrixTwo(i,j)=1-NewMatrixTwo(i,j);%%序列中每个位置的编码，按一定概率突变。
            end
        end
    end

    %% 迭代
    MatrixTwo=NewMatrixTwo;%%子代种群替代父代种群
    Times=Times+1;
end

%% 绘图
subplot(1,2,2)
plot(Mxavalue);
hold on;
plot(Meanvalue);
title('迭代情况')     %标题
subplot(1,2,1);
x=1:0.001:2;
y=sin(10*pi*x)./x;
plot(x,y);
title('函数值')     %标题

运行结果

    上述示例的运行结果如下图示（蓝色为种群内适应度最大值，橙色为平均值）：

从图上可知，函数极大值为0.76，迭代40次后，种群内每个样本得到的适应度最大值和平均值都趋于稳定，但明显不是最优解。
    示例代码中，突变概率PMutates=0.001时，收敛比较快，但有时会陷入局部最优。当PMutates=0.04时，收敛慢一点，平均值偏离最大值多一点，但不会再陷入局部最优解。

从图上可知，函数极大值为0.9528，迭代60次后，种群内每个样本得到的适应度最大值和平均值都趋于稳定。