【综合评价】基于遗传算法优化投影寻踪模型的综合评价附matlab代码

1 简介

作为一种处理非线性,非正态高维数据的新兴统计方法,投影寻踪技术在众多领域得到广泛应用并取得了一系列可喜的成果.本文运用遗传投影寻踪分类模型,将多维评价指标综合为一维投影值,并在此基础上建立单属性指标分类等级区间对各地区进行综合评价分类和排序,进而为宏观经济决策提供一定的科学依据.​

2 部分代码

f=randi([0,1],NP,L);        %随机获得初始种群%%%%%%%%%%%%%%%%%%%%%%%%%遗传算法循环%%%%%%%%%%%%%%%%%%%%%%%%for k=1:G    %%%%%%%%%%%%将二进制解码为定义域范围内十进制%%%%%%%%%%%%%%    for i=1:NP        U=f(i,:);        m=0;        for j=1:L            m=U(j)*2^(j-1)+m;        end        x(i)=Xx+m*(Xs-Xx)/(2^L-1);        Fit(i)= func1(x(i));    end    maxFit=max(Fit);           %最大值    minFit=min(Fit);           %最小值    rr=find(Fit==maxFit);    fBest=f(rr(1,1),:);        %历代最优个体       xBest=x(rr(1,1));    Fit=(Fit-minFit)/(maxFit-minFit);  %归一化适应度值    %%%%%%%%%%%%%%%%%%基于轮盘赌的复制操作%%%%%%%%%%%%%%%%%%%    sum_Fit=sum(Fit);    fitvalue=Fit./sum_Fit;    fitvalue=cumsum(fitvalue);    ms=sort(rand(NP,1));    fiti=1;    newi=1;    while newi<=NP        if (ms(newi))<fitvalue(fiti)            nf(newi,:)=f(fiti,:);            newi=newi+1;        else            fiti=fiti+1;        end    end       %%%%%%%%%%%%%%%%%%%%%%基于概率的交叉操作%%%%%%%%%%%%%%%%%%    for i=1:2:NP        p=rand;        if p<Pc            q=randi([0,1],1,L);            for j=1:L                if q(j)==1;                    temp=nf(i+1,j);                    nf(i+1,j)=nf(i,j);                    nf(i,j)=temp;                end            end        end    end    %%%%%%%%%%%%%%%%%%%基于概率的变异操作%%%%%%%%%%%%%%%%%%%%%%%    i=1;    while i<=round(NP*Pm)        h=randi([1,NP],1,1);      %随机选取一个需要变异的染色体        for j=1:round(L*Pm)                     g=randi([1,L],1,1);   %随机需要变异的基因数            nf(h,g)=~nf(h,g);        end        i=i+1;    end    f=nf;    f(1,:)=fBest;                   %保留最优个体在新种群中    trace(k)=maxFit;                %历代最优适应度endxBest;                              %最优个体figureplot(trace)xlabel('迭代次数')ylabel('目标函数值')title('适应度进化曲线')

3 仿真结果

4 参考文献

[1]胡松华. 基于遗传算法的投影寻踪分类模型在区域经济综合评价中的应用[J]. 经济与社会发展研究, 2014(A06):3.

博主简介:擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真,相关matlab代码问题可私信交流。

部分理论引用网络文献,若有侵权联系博主删除。

  • 1
    点赞
  • 7
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
基于遗传算法投影寻踪模型是一种用于优化问题求解的算法模型。在MATLAB中,可以通过以下步骤实现该模型的源码。 首先,需要定义问题的目标函数和约束条件。目标函数是要优化的指标,而约束条件是问题的限制条件。 接下来,通过编写遗传算法的核心代码实现优化过程。遗传算法主要包括初始化种群、选择操作、交叉操作、变异操作等。在MATLAB中,可以使用遗传算法工具箱提供的函数来简化遗传算法的实现过程。 然后,根据目标函数和约束条件,编写适应度函数来评估每个个体的适应度值。适应度函数的设计需要根据具体问题进行调整,以保证算法的收敛性和效率。 接下来,通过遗传算法的迭代过程,不断更新种群,使得适应度值逐渐趋向于最优解。可以根据具体问题需要,设置迭代的次数或者设置收敛条件,来控制算法的停止。 最后,通过遗传算法的搜索过程,得到最优解的种群。根据具体需求,可以输出最优解或者绘制最优解的图像等。 在编写源码的过程中,还需要注意遗传算法的参数设置,如种群大小、交叉率、变异率等。这些参数的选择需要根据实际问题进行调试和优化,以达到更好的求解效果。 综上所述,基于遗传算法投影寻踪模型MATLAB源码可以通过以上步骤实现,其中需要考虑问题的具体要求和遗传算法的参数选择。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
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

打赏作者

matlab科研助手

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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