遗传算法&代码实现

当问题不是凸问题，且不是线性规划（Linear programming,简称LP），其他方法都不好解决甚至无法求解时，遗传算法可以提供一种新的思路优化求解该问题，相当于一种“暴力”解法。

根据下面的代码，可以很简单的理解遗传算法的原理。我们的目标是使

最小,即最接近y值，求E最小时的表示参数A,B,C。

首先定义x, y;

定义产生多少代（generations）,即迭代次数；

一代有多少个“儿子”（trails）

在这些“儿子”中保留前10（Keep trails）个好的，其他的去掉，根据这10个“儿子”的“基因”（值）变异，重新产生50个（1代），重复这个过程。完整代码如下：

clear all;close all;clc

x = 1:24;
y = [75 77 76 73 69 68 63 59 57 55 54 52 50 50 49 49 49 50 54 56 59 63 67 72];

plot(x,y,'ko');

m=200; %generations
n=50;%trials
n2=10; % kept trials

A=12 + randn(n,1);
B=pi/12 + randn(n,1);
C=60 + randn(n,1);

for jgen=1:m

    for j=1:n
        E(j)=sum((A(j)*cos(B(j)*x)+C(j)-y).^2);
    end
    plot(E), pause(0.5)
    [Es,Ej]=sort(E);%sort from small to large

    Ak1 = A(Ej(1:n2));
    Bk1 = B(Ej(1:n2));
    Ck1 = C(Ej(1:n2));

    Ak2 = Ak1+randn(n2,1)/jgen;
    Bk2 = Bk1+randn(n2,1)/jgen;
    Ck2 = Ck1+randn(n2,1)/jgen;

    Ak3 = Ak1+randn(n2,1)/jgen;
    Bk3 = Bk1+randn(n2,1)/jgen;
    Ck3 = Ck1+randn(n2,1)/jgen;

    Ak4 = Ak1+randn(n2,1)/jgen;
    Bk4 = Bk1+randn(n2,1)/jgen;
    Ck4 = Ck1+randn(n2,1)/jgen;

    Ak5 = Ak1+randn(n2,1)/jgen;
    Bk5 = Bk1+randn(n2,1)/jgen;
    Ck5 = Ck1+randn(n2,1)/jgen;
    
    A=[Ak1;Ak2;Ak3;Ak4;Ak5];
    B=[Bk1;Bk2;Bk3;Bk4;Bk5];
    C=[Ck1;Ck2;Ck3;Ck4;Ck5];

end

结果：

可以看到，误差E在不断地减小，不断优化，找到基因最好的“儿子”，最后确定最优参数。