1 简介
遗传学认为,遗传是作为一种指令遗传码封装在每个细胞中,并以基因的形式包含在染色体中,每个基因有特殊的位置并控制某个特殊的性质。每个基因产生的个体对环境有一定的适应性。基因杂交和突变可能产生对环境适应性强的后代,通过优胜劣汰的自然选择,适应度值高的基因结构就保存下来。
遗传算法借鉴“适者生存”的遗传遗传学理论,将优化问题的求解表示成“染色体”的“适者生存”过程,通过“染色体”群的一代代复制、交叉、变异的进化,最终得到的是最适应环境的个体,从而得到问题的最优解或者满意解。这是一种高度并行、随机和自适应的通用的优化算法。
遗传算法的一系列优点使它近年来越来越受到重视,在解决众多领域的优化问题中得到了广泛的应用,其中也包括在交通领域的成功应用。
遗传算法是模拟生物自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。是一类可用于复杂系统优化计算的鲁棒搜索算法,与其他一些优化算法相比,它具有很多特点。
传统的优化算法主要有三种:枚举法、启发式算法和搜索算法:
1.枚举法
枚举法在可行解集合内枚举所有可行解,以求出精确最优解。对于连续函数,该方法要求先对其进行离散化处理,这样就可能因离散处理而永远达不到最优解。此外,当枚举空间比较大时,该算法的求解效率非常低,极其耗时。
2.启发式算法
启发式算法寻求一种能产生可行解的启发式规则,以找到一个最优解或近似最优解。启发式算法的求解效率比较高,但对每一个需求解的问题必须找出其特有的启发式规则,这个启发式规则一般无通用性,不适合于其他问题。
3.搜索算法
搜索算法在可行解集合的一个子集内进行搜索操作,以找到问题的最优解或者近似最优解。搜索算法虽然保证不了一定能够得到问题的最优解,但若适当的利用一些启发知识,就可在近似解的质量和效率上达到一种较好的平衡。
2 部分代码
%% GA
%% 清空环境变量
clc,clear,close all
warning off
% feature jit off
%% 遗传算法参数初始化
maxgen = 50; % 进化代数,即迭代次数
sizepop = 100; % 种群规模
pcross = [0.7]; % 交叉概率选择,0和1之间
pmutation = [0.1]; % 变异概率选择,0和1之间
% 城市交通信号系统参数
C = 140;
L = 10;
load('data.mat') % 包含交通流量q以及饱和流量xij
q = q./3600; % 转化为秒s
xij = xij./3600; % 转化为秒s
%染色体设置
lenchrom=ones(1,3); % t1、t2、t3
bound=[38,59;26,37;33,44;]; % 数据范围
%---------------------------种群初始化------------------------------------
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体
avgfitness = []; %每一代种群的平均适应度
bestfitness = []; %每一代种群的最佳适应度
bestchrom = []; %适应度最好的染色体
%% 初始化种群
for i=1:sizepop
% 随机产生一个种群
individuals.chrom(i,:)=Code(lenchrom,bound); % 编码(binary和grey的编码结果为一个实数,float的编码结果为一个实数向量)
x=individuals.chrom(i,:);
% 计算适应度
individuals.fitness(i)=fun(x); % 染色体的适应度
end
%% 找最好的染色体
[bestfitness bestindex] = min(individuals.fitness);
bestchrom = individuals.chrom(bestindex,:); % 最好的染色体
% 记录每一代进化中最好的适应度和平均适应度
trace = [bestfitness];
%% 迭代求解最佳初始阀值和权值
% 进化开始
for i=1:maxgen
disp(['迭代次数: ',num2str(i)])
% 选择
individuals=Select(individuals,sizepop);
% 交叉
individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
% 变异
individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,i,maxgen,bound);
% 计算适应度
for j=1:sizepop
x=individuals.chrom(j,:); % 解码
individuals.fitness(j)=fun(x); % 染色体的适应度
end
% 找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individuals.fitness);
[worestfitness,worestindex]=max(individuals.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=individuals.chrom(newbestindex,:);
end
individuals.chrom(worestindex,:)=bestchrom; % 剔除最差个体
trace=[trace;bestfitness]; %记录每一代进化中最好的适应度
end
x = [bestchrom, C-L-sum(sum(bestchrom))] % 最佳个体值
D = trace(end) % 延误误差D
E = D./sum(sum(q)); % 平均延误E
%% 遗传算法结果分析
figure('color',[1,1,1]),
plot(1:length(trace),trace(:,1),'b--');
title(['适应度曲线 ' '终止代数=' num2str(maxgen)]);
xlabel('进化代数'); ylabel('适应度');
legend('fz最佳适应度');
3 仿真结果
4 参考文献
[1]杨建华. 遗传算法的改进及其在城市交通信号优化控制中的应用研究[D]. 长安大学.