Matlab遗传算法与普通函数优化问题的结合

Matlab遗传算法与普通函数优化问题的结合

准备

在编写自己的代码之前应该了解的是算法的基本结构，具体可参考我之前的文章 点这里
文章虽然简单，但是也能了解基本该设置的参数与具体的算法结构。

遗传算法+普通函数优化问题

作为遗传算法最基本，也是最简单，也是最核心的内容，遗传算法对函数优化是内核，必须要掌握的。
选择较为简单的函数，$y=sin\left(10\pi \cdot x\right)+sin\left(x\right)+sin\left(5\cdot x\right)$
在matlab画出$[0,5]$范围的图像，可见在1.5左右存在最大值。

选择了谢菲尔德大学的Matlab遗传算法工具箱实现算法。
工具箱的导入较简单，可以自行在网上下载导入。
由于本文中关于交叉与变异的操作方法与适应度无关，仅在选择操作中的排序与适应度有关，因此排序决定了遗传算法整体的选取值趋向（最大值还是最小值）。

种群初始化

• 设置初始种族参数

%% 清屏
clc
clear
close all
%% 定义遗传算法参数
NIND=40;        %个体数目
MAXGEN=50;      %最大遗传代数
PRECI=10;       %变量的二进制位数
GGAP=0.95;      %代沟
px=0.7;         %交叉概率
pm=0.01;        %变异概率
lowb=0;upb=5;   %个体的自变量范围

trace=zeros(2,MAXGEN);                   	%寻优结果的初始值
FieldD=[PRECI;lowb;upb;1;0;1;1];            %区域描述器
Chrom=crtbp(NIND,PRECI);                    %初始种群

代沟$\alpha :$假设父代种群中的有$n$个个体，则有$\alpha \cdot n$个个体参与接下来的交叉变异操作，也决定了子代种群个体的数量。具体其他的参数含义见 点这里
关于最重要的crtbp()函数，输入参数为个体数量与变量的二进制位数，在计算适应度前需要将该二进制数转化为十进制数。区域描述器正是用于二进制对十进制的转化。
$FieldD=\left[len;lb;ub;cod;scale;lbin;ubin\right]$
下表中解释了七个参数代表的含义，根据具体情况进行更改

len	lb	ub	code	scale	lbin	ubin
染色体长度	下界	上界	1：二进制\2:格雷编码	0：算数刻度\1：对数刻度	0：不包含边界\1:包含边界

该二进制位数仅代表进行进化操作中染色体的个数，在这里只需满足该二进制位数能够表示十进制中的[lowb,upb]

计算适应度

• 创建独立的.m文件计算适应度

function F=Fit_fun(X)
    F=-(sin(10*pi*X)+sin(X)+sin(5*X));
end

为了求出最小值，将原函数的负值作为适应度。

个体选择

• 对适应度进行排序
• 采用随机遍历采样的方法从种群中选择个体

FitnV=ranking(ObjV);					%分配适应度值
SelCh=select('sus',Chrom,FitnV,GGAP);	%选择

$ranking$作为关键趋向决定函数这里摘录$matlab$的解释

This function ranks individuals represented by their associated cost, to be minimized, and returns a column vector FitnV containing the corresponding individual fitnesses.
For multiple subpopulations the ranking is performed separately for each subpopulation.
这个函数对个体进行排序,对于每个个体的相关代价取最小化，并返回一个个体适应度列向量FitnV。
对于多个子种群，对每个子种群分别排名。

可见该函数取最小值，因此整体的遗传算法优化对象为函数最小值，这也是为何适应度需取符号求最大值的原因。

交叉

• 采用单点交叉算子对个体的染色体进行重组

SelCh=recombin('xovsp',SelCh,px);       %单点交叉

变异

• 采用离散变异对个体进行变异

SelCh=mut(SelCh,pm);                  	%变异

• 除去使用专门的离散变异函数，还可以使用高级变异函数，采用该函数可以手动选择算子，更改算子更为方便。

SelCh=mutate('mut',SelCh,[],pm);          	%高级变异函数，可选择算子

$SelCh=mutate(MUT,Chrom,FieldDR,MutOpt)$
$MUT$为算子名称，$Chrom$为当前种群，$FieldDR$根据算子的不同参考如下：

[ ]	矩阵行数为1	矩阵行数为2
mut	mut	mutbga
二进制编码	该位的进制数	变量范围

$MutOpt$在这里可以简单理解为变异概率。
例如输入:$FieldDR=\left[2,2,5,5,5\right];$
$SelCh=mutate\left({}^{\prime }mu{t}^{\prime },Chrom,FieldDR,pm\right)$注意FieldDR应与Chrom的列数相同
代表对原种群Chrom进行变异操作时,所有个体的第1,2位染色体是二进制编码，3,4,5位染色体是五进制编码.实际上这里的进制设置应在初始化种群时确定，后续的遗传算法中会涉及，这里可以不去理会。

鉴于组合不多且记忆麻烦建议直接使用mut和mutbga，但如果想要改进或者添加算法可以自定义变异算子，套用mutate的模式。
程序中直接采用了mut对种群进行变异操作。

插入子代记录最优解

• 子代重新插入保证了每一代的种群规模不变
• 因为求取目标函数的最小值所以取min
• 记录当代最优解

[Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); 	%子代重插入到父代，得到新种群
X=bs2rv(Chrom,FieldD);								%转化为十进制
%获取每代的最优解及其序号，Y为最优解,I为个体的序号
[Y,I]=min(ObjV);
trace(1,gen)=X(I);                            		%记下每代的最优值
trace(2,gen)=Y;                              		%记下每代的最优值
gen=gen+1;											%迭代增加

算法计算结果

由于函数简单，在20多代左右最优解就已经稳定，此时已经产生了较好解，最优解如下：

代码地址

完整代码在 GitHub网站上，如果有条件可以支持一下。现在关注我你就是老粉了

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

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.