【遗传算法求解函数优化问题】matlab实现

问题描述

用 Matlab 编写遗传算法求解
max 𝑓(𝑥1, 𝑥2) = (21.5 + 𝑥1 ∙ sin(4𝜋𝑥1) + 𝑥2 ∙ sin(20𝜋𝑥2))
𝑠.𝑡. − 2.9 ≤ 𝑥1 ≤ 12.0,
4.2 ≤ 𝑥2 ≤ 5.7

遗传算法

具体算法原理参考计算智能

代码实现

1. 可行解采用实数编码方式，自行设定初始参数，包括：种群个数，交叉概率，
   变异概率，最大迭代次数
   代码如下：

% 目标函数
fun = @(x) 21.5 + x(:, 1) .* sin(4 * pi * x(:,1)) + x(:,2) .* sin(20 * pi * x(:, 2));
 
pc = 0.8; % 交叉概率
pm = 0.1; % 变异概率
MaxIter =200; % 迭代次数
Popsize = 100; % 基因数
dim = 2; % 解的维度
 
% 两个约束条件
low = [-2.9, 4.2]; % 下限
up = [12.0, 5.7]; % 上限
 
% 初始化种群：在约束条件范围生成x1，x2集合
Pop = rand(Popsize, 2) .* (up - low) + low;

2. 自行定义和实现选择算子、交叉算子和变异算子
   选择算子代码如下：（最大值选择）

% 选择
     change = 20;
     for i = 1:change
        Pop(p(i), :) = Pop(p(Popsize), :);
     end

交叉算子代码如下：（均匀交叉）

% 交叉
     for i=1:Popsize
        if rand < pc 
             % 随机选择两个父代
             x = randi(Popsize,2,1);
             parent1 = Pop(x(1),:);
             parent2 = Pop(x(2),:);
             % 使用均匀交叉获得子代
             mask = rand(1, 2) > 0.5;
             child1 = parent1;
             child1(mask) = parent2(mask);
             child2 = parent2;
             child2(mask) = parent1(mask);
             Pop(x(1), :) = child1;
             Pop(x(2), :) = child2;
        end

变异算子代码如下：（随机变异）

% 变异
     for i = 1:Popsize
        if rand < pm && i ~= q || 1 % 不对最优路径进行变异
         % 随机选择变异的位置
         choose = randi(dim);
         % 生成变异的随机数
         Pop(i, choose) = low(choose) + (up(choose) - low(choose)) * rand();
        end
     end

3. 输出最优解及函数的最大值，及其对应的迭代次数
   代码如下：

% 找出全局最优解及其迭代次数
[MaxestAns_value, Iterindex] = max(MaxAns_alue);
disp('获得最优解的迭代次数为:');
disp(Iterindex);
disp('目标函数最优解为:');
disp(MaxAns(Iterindex, :));
disp('目标函数最大值为:');
disp(MaxestAns_value);

4. 画出迭代曲线
   代码如下：

% 迭代曲线图
figure;
plot(MaxAns_alue);
title('迭代曲线');
xlabel('迭代次数');
ylabel('最短路径长度');

完整代码

% 目标函数
fun = @(x) 21.5 + x(:, 1) .* sin(4 * pi * x(:,1)) + x(:,2) .* sin(20 * pi * x(:, 2));
 
pc = 0.8; % 交叉概率
pm = 0.1; % 变异概率
MaxIter =200; % 迭代次数
Popsize = 100; % 基因数
dim = 2; % 解的维度
 
% 两个约束条件
low = [-2.9, 4.2]; % 下限
up = [12.0, 5.7]; % 上限
 
% 初始化种群：在约束条件范围生成x1，x2集合
Pop = rand(Popsize, 2) .* (up - low) + low;

 
Iter = 1;
MaxAns = zeros(MaxIter, dim);
MaxAns_alue = zeros(MaxIter, 1);
 
while(Iter <= MaxIter)
     % 计算适应度
     fitness = fun(Pop);
     
     [Maxvalue, q] = max(fitness);
     MaxPop_parents = Pop(q, :);
     MaxPop_parents_value = Maxvalue;
     
     % 对适应度进行从小到大排序
     [f, p] = sort(fitness);
     
     % 选择最大值的解替换前 n 个解
     change = 20;
     for i = 1:change
        Pop(p(i), :) = Pop(p(Popsize), :);
     end
     % 交叉
     for i=1:Popsize
        if rand < pc 
             % 随机选择两个父代
             x = randi(Popsize,2,1);
             parent1 = Pop(x(1),:);
             parent2 = Pop(x(2),:);
             % 使用均匀交叉获得子代
             mask = rand(1, 2) > 0.5;
             child1 = parent1;
             child1(mask) = parent2(mask);
             child2 = parent2;
             child2(mask) = parent1(mask);
             Pop(x(1), :) = child1;
             Pop(x(2), :) = child2;
        end
     end
     % 计算交叉后的函数值，并找出最大值的解
     Value = fun(Pop);
     
     [Maxvaule, q] = max(Value);
     MaxPop_crossover = Pop(q, :);
     MaxPop_crossover_value = Maxvaule;
     
     % 变异
     for i = 1:Popsize
        if rand < pm && i ~= q || 1 % 不对最优路径进行变异
         % 随机选择变异的位置
         choose = randi(dim);
         % 生成变异的随机数
         Pop(i, choose) = low(choose) + (up(choose) - low(choose)) * rand();
        end
     end
     % 计算变异后的函数值，并找出最大值的解
     Value = fun(Pop);
     
     [Maxvaule, q] = max(Value);
     MaxPop_mutation = Pop(q, :);
     MaxPop_mutation_value = Maxvaule; 
     % 每一代中找到的最优路径
     MaxPop_opt = [MaxPop_parents; MaxPop_crossover; MaxPop_mutation];
     a = [MaxPop_parents_value; MaxPop_crossover_value; MaxPop_mutation_value];
     [Maxvalue ,m] = max(a);
     MaxAns(Iter, :) = MaxPop_opt(m, :);
     MaxAns_alue(Iter, 1) = Maxvalue;
     Iter = Iter + 1;
end
% 找出全局最优解及其迭代次数
[MaxestAns_value, Iterindex] = max(MaxAns_alue);
disp('获得最优解的迭代次数为:');
disp(Iterindex);
disp('目标函数最优解为:');
disp(MaxAns(Iterindex, :));
disp('目标函数最大值为:');
disp(MaxestAns_value);

% 迭代曲线图
figure;
plot(MaxAns_alue);
title('迭代曲线');
xlabel('迭代次数');
ylabel('最短路径长度');

输出结果

迭代曲线图

最佳路径以及长度