matlab智能算法30个案例分析

一、谢菲尔德大学的MATLAB遗传算法工具箱

链接:https://pan.baidu.com/s/1nqIcAn1cQZMvKOzBKmCh1Q?pwd=53w6 
提取码:53w6

书籍分享

链接:https://pan.baidu.com/s/1eMUc66ANDxcQ_gBoSkgxSw?pwd=sjw7 
提取码:sjw7

1.1 简单一元函数优化

>> clear clc
>> clear all
>> close all
  %%画出函数图像
>> figure(1);
>> hold on;
>> lb=1;ub=2;                                %函数自变量范围【1,2】         
>> ezplot('sin(10*pi*X)/X',[lb,ub]);         %画出函数曲线
>> xlabel('自变量/X')
>> ylabel('函数值/Y')

>> %%定义遗传算法参数
>> NIND=40;                                   %种群大小
>> MAXGEN=20;                                 %最大遗传代数                               
>> PRECI=20;                                  %个体长度
>> GGAP=0.95;                                 %代沟
>> px=0.7;                                    %交叉概率
>> pm=0.01;                                   %变异概率
>> trace=zeros(2,MAXGEN);                     %寻优结果的初始值
>> FieldD=[PRECI;lb;ub;1;0;1;1];              %区域描述器
>> Chrom=crtbp(NIND,PRECI);                   %创建任意离散随即种群
>> %%优化 
>> gen=0;                                     %代计数器
>> X=bs2rv(Chrom,FieldD);                     %初始种群二进制到十进制转换
>> ObjV=sin(10*pi*X)./X;                      %计算目标函数值
>> while gen<MAXGEN
>> plot(trace(1,:),trace(2,:),'bo');          %画出每代的最优解

>> grid on;
>> plot(X,ObjV,'b*');                         %画出最后一代的种群hold off
%画进化图
>> figure(2);
>> plot(1:MAXGEN,trace(2,:));
>> grid on
>> xlabel('遗传代数')
>> ylabel('解的变化')
>> title('进化过程')
>> bestY=trace(2,end);
>> bestX=trace(1,end);
>> fprintf(['最优解:\nX=',num2str(bestX),num2str(bestY),'\n'])
最优解:
X=1.1491-0.8699
>> 

  • 8
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
MATLAB智能算法的源代码%% 清空环境 clc;clear %% 障碍物数据 position = load('barrier.txt'); plot([0,200],[0,200],'.'); hold on B = load('barrier.txt'); xlabel('km','fontsize',12) ylabel('km','fontsize',12) title('二维规划空间','fontsize',12) %% 描述起点和终点 S = [20,180]; T = [160,90]; plot([S(1),T(1)],[S(2),T(2)],'.'); % 图形标注 text(S(1)+2,S(2),'S'); text(T(1)+2,T(2),'T'); %% 描绘障碍物图形 fill(position(1:4,1),position(1:4,2),[0,0,0]); fill(position(5:8,1),position(5:8,2),[0,0,0]); fill(position(9:12,1),position(9:12,2),[0,0,0]); fill(position(13:15,1),position(13:15,2),[0,0,0]); % 下载链路端点数据 L = load('lines.txt'); %% 描绘线及中点 v = zeros(size(L)); for i=1:20 plot([position(L(i,1),1),position(L(i,2),1)],[position(L(i,1),2)... ,position(L(i,2),2)],'color','black','LineStyle','--'); v(i,:) = (position(L(i,1),:)+position(L(i,2),:))/2; plot(v(i,1),v(i,2),'*'); text(v(i,1)+2,v(i,2),strcat('v',num2str(i))); end %% 描绘可行路径 sign = load('matrix.txt'); [n,m]=size(sign); for i=1:n if i == 1 for k=1:m-1 if sign(i,k) == 1 plot([S(1),v(k-1,1)],[S(2),v(k-1,2)],'color',... 'black','Linewidth',2,'LineStyle','-'); end end continue; end for j=2:i if i == m if sign(i,j) == 1 plot([T(1),v(j-1,1)],[T(2),v(j-1,2)],'color',... 'black','Linewidth',2,'LineStyle','-'); end else if sign(i,j) == 1 plot([v(i-1,1),v(j-1,1)],[v(i-1,2),v(j-1,2)],... 'color','black','Linewidth',2,'LineStyle','-'); end end end end path = DijkstraPlan(position,sign); j = path(22); plot([T(1),v(j-1,1)],[T(2),v(j-1,2)],'color','yellow','LineWidth',3,'LineStyle','-.'); i = path(22); j = path(i); count = 0; while true plot([v(i-1,1),v(j-1,1)],[v(i-1,2),v(j-1,2)],'color','yellow','LineWidth',3,'LineStyle','-.'); count = count + 1; i = j; j = path(i); if i == 1 || j==1 break; end end plot([S(1),v(i-1,1)],[S(2),v(i-1,2)],'color','yellow','LineWidth',3,'LineStyle','-.'); count = count+3; pathtemp(count) = 22; j = 22; for i=2:count pathtemp(count-i+1) = path(j); j = path(j); end path = pathtemp; path = [1 9 8 7 13 14 12 22]; %% 蚁群算法参数初始化 pathCount = length(path)-2; %经过线段数量 pheCacuPara=2; %信息素计算参数 pheThres = 0.8; %信息素选择阈值 pheUpPara=[0.1 0.0003]; %信息素更新参数 qfz= zeros(pathCount,10); %启发值 phePara = ones(pathCount,10)*pheUpPara(2); %信息素 qfzPara1 = ones(10,1)*0.5; %启发信息参数 qfzPara2 = 1.1; %启发信息参数 m=10; %种群数量 NC=500; %循环次数 pathk = zeros(pathCount,m); %搜索结果记录 shortestpath = zeros(1,NC); %进化过程记录 %% 初始最短路径 dijpathlen = 0; vv = zeros(22,2); vv(1,:) = S; vv(22,:) = T; vv(2:21,:) = v; for i=1:pathCount-1 dijpathlen = dijpathlen + sqrt((vv(path(i),1)-vv(path(i+1),1))^2+(vv(path(i),2)-vv(path(i+1),2))^2); end LL = dijpathlen; %% 经过的链接线 lines = zeros(pathCount,4); for i = 1:pathCount lines(i,1:2) = B(L(path(i+1)-1,1),:); lines(i,3:4) = B(L(path(i+1)-1,2),:); end %% 循环搜索 for num = 1:NC %% 蚂蚁迭代寻优一次 for i=1:pathCount for k=1:m q = rand(); qfz(i,:) = (qfzPara2-abs((1:10)'/10-qfzPara1))/qfzPara2; %启发信息 if q<=pheThres%选择信息素最大值 arg = phePara(i,:).*(qfz(i,:).^pheCacuPara); j = find(arg == max(arg)); pathk(i,k) = j(1); else % 轮盘赌选择 arg = phePara(i,:).*(qfz(i,:).^pheCacuPara); sumarg = sum(arg); qq = (q-pheThres)/(1-pheThres); qtemp = 0; j = 1; while qtemp < qq qtemp = qtemp + (phePara(i,j)*(qfz(i,j)^pheCacuPara))/sumarg; j=j+1; end j=j-1; pathk(i,k) = j(1); end % 信息素更新 phePara(i,j) = (1-pheUpPara(1))*phePara(i,j)+pheUpPara(1)*pheUpPara(2); end end %% 计算路径长度 len = zeros(1,k); for k=1:m Pstart = S; Pend = lines(1,1:2) + (lines(1,3:4)-lines(1,1:2))*pathk(1,k)/10; for l=1:pathCount len(1,k) = len(1,k)+sqrt(sum((Pend-Pstart).^2)); Pstart = Pend; if l<pathCount Pend = lines(l+1,1:2) + (lines(l+1,3:4)-lines(l+1,1:2))*pathk(l+1,k)/10; end end Pend = T; len(1,k) = len(1,k)+sqrt(sum((Pend-Pstart).^2)); end %% 更新信息素 % 寻找最短路径 minlen = min(len); minlen = minlen(1); minant = find(len == minlen); minant = minant(1); % 更新全局最短路径 if minlen < LL LL = minlen; end % 更新信息素 for i=1:pathCount phePara(i,pathk(i,minant)) = (1-pheUpPara(1))* phePara(i,pathk(i,minant))+pheUpPara(1)*(1/minlen); end shortestpath(num) = minlen; end figure; plot(1:NC,shortestpath,'color','blue'); hold on % plot(1:NC,dijpathlen,'color','red'); ylabel('路径总长度'); xlabel('迭代次数');
MATLAB智能算法30案例分析》源程序,包含代码和数据。 案例1 BP神经网络的数据分类-语音特征信号分类 案例2 BP神经网络的非线性系统建模-非线性函数拟合 案例3 遗传算法优化BP神经网络-非线性函数拟合 案例4 神经网络遗传算法函数极值寻优-非线性函数极值 案例5 基于BP_Adaboost的强分类器设计-公司财务预警建模 案例6 PID神经元网络解耦控制算法_多变量系统控制 案例7 RBF网络的回归-非线性函数回归的实现 案例8 GRNN的数据预测-基于广义回归神经网络货运量预测 案例9 离散Hopfield神经网络的联想记忆—数字识别 案例10 离散Hopfield神经网络的分类——高校科研能力评价 案例11 连续Hopfield神经网络的优化-旅行商问题优化计算 案例12 SVM神经网络的数据分类预测-葡萄酒种类识别 案例13 SVM神经网络中的参数优化---提升分类器性能 案例14 SVM神经网络的回归预测分析---上证开盘指数预测 案例15 SVM神经网络的信息粒化时序回归预测 案例16 单层竞争神经网络的数据分类—患者癌症发病预测 案例17 SOM神经网络的数据分类--柴油机故障诊断 案例18 Elman神经网络的数据预测—电力负荷预测模型研究 案例19 概率神经网络的分类预测-基于PNN变压器故障诊断 案例20 神经网络变量筛选—基于BP的神经网络变量筛选 案例21 LVQ神经网络的分类——乳腺肿瘤诊断 案例22 LVQ神经网络的预测——人脸朝向识别 案例23 小波神经网络的时间序列预测-短时交通流量预测 案例24 模糊神经网络的预测算法-嘉陵江水质评价 案例25 广义神经网络的聚类算法-网络入侵聚类 案例26 粒子群算法的寻优算法-非线性函数极值寻优 案例27 遗传算法的优化计算——建模自变量降维 案例28 灰色神经网络的预测算法—订单需求预测 案例29 kohonen网络的聚类算法—网络入侵聚类 案例30 神经网络GUI的实现--基于GUI的神经网络拟合
评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值