遗传算法代码超通俗解释(MATLAB)

 题目：利用遗传算法求函数极大值；

clc;clear;
%初始参数
N=100;%初始的随机自变量个数
G=100;%总的迭代次数，
Pc=0.6;%确定交叉的可能性即确定每一组xy被交叉改变的可能性
Pm=0.015;%确定变异的可能性即确实每一组xy被变异改变的可能性
n=10;%二进制串的长度，自己设置，太短随机生成的自变量则被局限了
%f=x^3+(2*y-x)^4;%目标函数，f(x,y)调用
x_min=10;x_max=20;%题目对x与y的约束
y_min=10;y_max=20;
E=round(rand(N,2*n));%随机生成100组x,y自变量，一行为一组
%time(1,G)=0;F(1,N)=0;Best_Fit(1,G)=0;temp_E(N,2*n)=0;%内存预分配
for k =1:G
    time(k)=k;
    x=zeros(1,N);%前面随机生成了100组，那么就有100个x与100个y
    y=zeros(1,N);%这两是内存预分配
    %接下来计算每一组x与y的目标函数值
    for i=1:N
        x=x_min+(er(E(i,1:n))/(2^n-1))*(x_max-x_min);%限制x在其范围内
        y=y_min+(er(E(i,n+1:end))/(2^n-1))*(y_max-y_min);%同上
        F(i)=f(x,y);%计算每一组的目标函数值保存到F
    end
    Best_F=max(F);%找到其中最大的，题目要求是求目标函数极大值
    [now_F,index_F]=sort(F);%升序排序，now_F为排序后的，index_F一一对应原位置
    Best_xy=E(index_F(N),:);%升序排的，所以最后一个（100）为最大值，找到这个最大值是哪一组xy
    Best_Fit(k)=Best_F;%记录这一次迭代的最大目标函数值
    %复制,带遗传算法中复制规定的公式
    F_sum=sum(F);
    P_num=N*now_F/F_sum;%复制公式
    copynum=floor(P_num);%取整，确定这100组中每一组是否复制，复制多少次，续下
    %这里你会发现让目标函数值越大的xy组，被复制的次数越多（因为本题是求极大值）
    k=1;
    for i =1:N
        for j=1:copynum(i)
            temp_E(k,:)=E(index_F(i),:);%进行"复制"后的新的x,y自变量
            k=k+1;
        end
    end
    for i=k:N
        temp_E(i,:)=Best_xy;%把E后面几组还没有被复制替换的这些，均替换成最优的那组xy
    end
    %复制过程完成，接下来是交叉
    for i =1:N
        rand_point=round((20-1)*rand+1);%随机选定一个开始交叉的位置，这里E一行有20列，可选的交叉位置有20个
        rand_xy=round((N-1)*rand+1);%随机选定E的一行即随机选定一组xy作为交叉替换的数
        temp_Pc=rand;
        if Pc>temp_Pc
            for j=rand_point:20
                temp_E(i,j)=temp_E(rand_xy,j);%若rand_point为10，为第10开始到第20个数都交叉替换成rand_xy10到20对应的值
            end
        end
    end
    temp_E(N,:)=Best_xy;%把最后一行还是固定为之前的最优xy组
    %交叉结果，变异开始
    for i=1:N
        for j=1:20
            temp_Pm=rand;
            if Pm>temp_Pm
                if temp_E(i,j)==1
                    temp_E(i,j)=0;%变异每一组xy内部进行，按变异概率改变二进制xy的值
                else
                    temp_E(i,j)=1;%原来是1就换0，原来是0就换1；因为有temp_Pm,所以不大可能20个二进制值均改变
                end
            end
        end
    end
    E=temp_E;%把经历了一轮复制、交叉、变异的100组xy给E，以便继续对其进行新一轮复制、交叉、变异
end
plot(time,Best_Fit);%查看目标函数最大值收敛情况
x=x_min+(er(Best_xy(1:n))/(2^n-1))*(x_max-x_min)
y=y_min+(er(Best_xy(n+1:end))/(2^n-1))*(y_max-y_min)

改进后的遗传算法，Pc和Pm随着迭代而自行改变

%改进的遗传算法
clc;clear;
%初始参数
N=100;%初始的随机自变量个数
G=100;%总的迭代次数，
r=0.0000000000000000001;%防止pc,pm那里分母为0；
Pc1=0.9;Pc2=0.6;%确定交叉的可能性即确定每一组xy被交叉改变的可能性
Pm1=0.1;Pm2=0.01;%确定变异的可能性即确实每一组xy被变异改变的可能性
n=10;%二进制串的长度，自己设置，太短随机生成的自变量则被局限了
%f=x^3+(2*y-x)^4;%目标函数，f(x,y)调用
x_min=10;x_max=20;%题目对x与y的约束
y_min=10;y_max=20;
E=round(rand(N,2*n));%随机生成100组x,y自变量，一行为一组
time(1,G)=0;F(1,N)=0;Best_Fit(1,G)=0;temp_E(N,2*n)=0;%内存预分配
for k =1:G
    time(k)=k;
    x=zeros(1,N);%前面随机生成了100组，那么就有100个x与100个y
    y=zeros(1,N);%这两是内存预分配
    %接下来计算每一组x与y的目标函数值
    for i=1:N
        x=x_min+(er(E(i,1:n))/(2^n-1))*(x_max-x_min);%限制x在其范围内
        y=y_min+(er(E(i,n+1:end))/(2^n-1))*(y_max-y_min);%同上
        F(i)=f(x,y);%计算每一组的目标函数值保存到F
    end
    Best_F=max(F);%找到其中最大的，题目要求是求目标函数极大值
    [now_F,index_F]=sort(F);%升序排序，now_F为排序后的，index_F一一对应原位置
    Best_xy=E(index_F(N),:);%升序排的，所以最后一个（100）为最大值，找到这个最大值是哪一组xy
    Best_Fit(k)=Best_F;%记录这一次迭代的最大目标函数值
    %%复制,带遗传算法中复制规定的公式
    F_sum=sum(F);
    P_num=N*now_F/F_sum;%复制公式
    copynum=floor(P_num);%取整，确定这100组中每一组是否复制，复制多少次，续下
    %这里你会发现让目标函数值越大的xy组，被复制的次数越多（因为本题是求极大值）
    k=1;
    for i =1:N
        for j=1:copynum(i)
            temp_E(k,:)=E(index_F(i),:);%进行"复制"后的新的x,y自变量
            k=k+1;
        end
    end
    for i=k:N
        temp_E(i,:)=Best_xy;%把E后面几组还没有被复制替换的这些，均替换成最优的那组xy
    end
    %%复制过程完成，接下来是交叉
    for i =1:N
        rand_point=round((20-1)*rand+1);%随机选定一个开始交叉的位置，这里E一行有20列，可选的交叉位置有20个
        rand_xy=round((N-1)*rand+1);%随机选定E的一行即随机选定一组xy作为交叉替换的数
        temp_Pc=rand;
        %随着每代个体适应度值的变化而自行调整，即保护了群体中优质的个体，又令具有最大适应度的个体Pc和Pm不为0，
        %使每代最优个体不会处于一种不发生变化的状态，有利于跳出局部最优解
        x_pc1=x_min+(er(temp_E(i,1:n))/(2^n-1))*(x_max-x_min);%限制x在其范围内
        y_pc1=y_min+(er(temp_E(i,n+1:end))/(2^n-1))*(y_max-y_min);
        x_pc2=x_min+(er(temp_E(rand_xy,1:n))/(2^n-1))*(x_max-x_min);%限制x在其范围内
        y_pc2=y_min+(er(temp_E(rand_xy,n+1:end))/(2^n-1))*(y_max-y_min);
        f_pc=max(f(x_pc1,y_pc1),f(x_pc2,y_pc2));
        if (max(F)-mean(F))/(mean(F)-min(F)+r)<1
        Pc=0.8*(max(F)-mean(F))/(mean(F)-min(F)+r);
        else
        Pc=Pc1-(Pc1-Pc2)*(f_pc-min(F))/(max(F)-min(F));%改进的IAGA算法让Pc自行调整
        end
        if Pc>temp_Pc
            for j=rand_point:20
                temp_E(i,j)=temp_E(rand_xy,j);%若rand_point为10，为第10开始到第20个数都交叉替换成rand_xy10到20对应的值
            end
        end
    end
    temp_E(N,:)=Best_xy;%把最后一行还是固定为之前的最优xy组
    %%交叉结果，变异开始
    for i=1:N
        for j=1:20
            temp_Pm=rand;
            x_pm=x_min+(er(temp_E(i,1:n))/(2^n-1))*(x_max-x_min);%限制x在其范围内
            y_pm=y_min+(er(temp_E(i,n+1:end))/(2^n-1))*(y_max-y_min);
            f_pie=f(x_pm,y_pm);
            if (max(F)-mean(F))/(mean(F)-min(F)+r)<1
            Pm=0.1*(max(F)-mean(F))/(mean(F)-min(F)+r);
            else
            Pm=Pm1-(Pm1-Pm2)*(f_pie-min(F))/(max(F)-min(F));%改进的IAGA算法让Pm自行调整
            end
            if Pm>temp_Pm
                if temp_E(i,j)==1
                    temp_E(i,j)=0;%变异每一组xy内部进行，按变异概率改变二进制xy的值
                else
                    temp_E(i,j)=1;%原来是1就换0，原来是0就换1；因为有temp_Pm,所以不大可能20个二进制值均改变
                end
            end
        end
    end
    E=temp_E;%把经历了一轮复制、交叉、变异的100组xy给E，以便继续对其进行新一轮复制、交叉、变异
end
plot(time,Best_Fit);%查看目标函数最大值收敛情况
x=x_min+(er(Best_xy(1:n))/(2^n-1))*(x_max-x_min)
y=y_min+(er(Best_xy(n+1:end))/(2^n-1))*(y_max-y_min)

上面代码中对应的function函数

er.m

function x=er(m)
a=length(m);x=0;
for i=1:a
    x=m(i)*2^(a-i)+x;%二进制转十进制
end
end

shi.m

function m=shi(x)
k=1;a=2;
while a>=1
    a=floor(x/2);
    b=mod(x,2);
    x=a;
    e(k)=b;
    k=k+1;
end
m=e(length(e):-1:1);%十进制转二进制

f.m

function f=f(x,y)
f=x^3+(2*y-x)^4;%目标函数（适应度函数）
end

运行结果：

对应最优xy解为x=10;y=20; 

需要了解遗传算法中复制、交叉、变异规定的公式（公式来源：http://t.csdn.cn/JlcJP）