Matlab遗传算法大纲

Matlab遗传算法大纲

遗传算法简介

遗传算法，顾名思义，模拟自然界物竞天择，万物竞自由的种群迭代时在遗传基因方面的进化过程，无法适应环境的种群个体被淘汰，剩下的就是比较适合当下环境的个体 适应度较大，成为了最优解。

算法流程

种群初始化

对种群初始化分为两步实际也不是两步各有交叉：对基因进行编码、对初始种群结构进行设置。

• 设置种群结构与参数
  种群的结构有：种群的数目（如非多种群遗传算法均为1），种群中个体的数目，个体中染色体的数目（实际为编码的个数，与你的变量个数或者变量的精度有关）。
  种群的最大遗传数目（与你的问题计算复杂程度有关），染色体的交叉概率（通常设为0.7左右），基因的变异概率（通常为0.01左右），遗传代沟（不同的选择操作可能没有该参数）。
• 基因编码
  基因编码常用的有很多种，但解决实际问题最最常用的有两大种：二进制编码和实数编码。
  二进制编码常用于TSP问题，解决0-1规划等问题。可以使用谢菲尔德大学的Matlab遗传算法工具箱中bs2rv()函数转化为十进制数，转化时需要设置变量范围。
  实数编码可以设置范围与约束进行随机生成。

计算初始种群适应度

适应度是遗传算法的关键，是你成为上帝的决定因素。有的遗传算法是求最小值，如果需求是最大值需要对目标函数进行变换，相反数或者倒数均可。有的版本的遗传算法是求最大值，具体情况还需要观察具体程序中对最优适应度的选取（不能只观察最外层记录值中的min或者max，需要对每个操作进行检查）
下文中均取最大值

种群选择操作

对种群中优良个体进行选择，个体的适应度越高选取到的概率越大，常用轮盘赌法、锦标赛法，随机遍历采样法等。

染色体交叉

随机的从种群中选取两个个体，通过对染色体的交换组合，产生更优秀的个体。强强结合，小孩会更强？貌似在这里也有一定合理性。交叉概率即为每一轮发生交叉的概率。常采用单点交叉算子，两点交叉算子等。单点交叉算子中具体操作为选取一个个体的染色体$\alpha \%$与另一个染色体的$\alpha \%$进行交换产生的两个新染色体。$\alpha \%$为$[0,1]$区间的随机数。

个体变异

个体变异，学过生物学的一定知道了，为了维持总群的多样性，也是在一定程度上避免困于极小值，变异产生更加优秀的个体加入种群。同样的，变异概率为每一轮发生变异的概率。值得注意的是，变异是对染色体上的基因也就是编码数进行操作的。常用的变异算子有离散变异，实值变异等。

记录种群适应度

在一轮进化过程中，经历了上述的选择，交叉，变异操作，对当前种群中个体重新进行适应度计算，找出这次进化后的种群最优个体，记录适应度，再重新对当前种群进行迭代进化。在不断的迭代中，若种群最优值收敛于某值，该值即为最优值。

遗传的不足

首先是参数的设定过于主观，经验化，算法的实际效率很低，无法解决很复杂的问题，最终解可能无法收敛，在使用时还是要看具体的进化过程，求解效果如何，并非也不可能适用于所有问题。

参考文章

本文内容参考下列文章，如有任何问题还请联系该账号

---

[1]史峰. MATLAB智能算法30个案例分析[M]. 北京航空航天大学出版社, 2011.