Matlab遗传算法与非线性规划问题的结合

Matlab遗传算法与非线性规划问题的结合

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大纲或者这里简单函数优化
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+非线性规划问题

在这篇文章以及之后的绝大多数文章里，遗传算法与各类算法的结合是重点，遗传算法自身的特点不再过多描述。遗传算法为其他算法进行服务，这也是在解决复杂问题时遗传算法的能力不足所导致的结果。在非线性规划中往往因为计算复杂，需要大量的时间去迭代计算，这个时间有时是一个工程无法承受的，因此采用遗传算法的提供较优解，框定解的起始点，减少非线性规划的计算时间，提高整体算法的计算速度。
更改了简单函数优化的目标，设定了此次的优化目标：
$$F=\sin \left(10\pi \cdot xy\right)+\sin \left(y^2\right)+\sin \left(5z\right)$$
在$x,y,z\in \left[0,3\right]$范围内求函数的最小值。
不难观察的是，函数值取得最大值3，$x,y,z$需满足下列条件
$$\{\begin{array}{l}10\pi \cdot xy=\frac{k_1\pi }{2}\Rightarrow xy=\frac{k_1}{20}\\ \\ y^2=\frac{k_2\pi }{2}\Rightarrow y=\sqrt{\frac{k_2\pi }{2}}\\ \\ 5z=\frac{k_3\pi }{2}\Rightarrow z=\frac{k_3\pi }{10}\\ \\ x,y,z\in \left[0,3\right]\end{array}{k}_1,k_2,k_3为任意整数$$

$matlab$自带的非线性规划函数$fmincon$

两者结合之前，$matlab$拥有自带的非线性规划函数fmincon()
$$Best\_x=fmincon(fun,x0,A,b,Aeq,beq,lb,ub,nonlcon,options)$$
在这里"借鉴"$matlab$中的解释
$$\underset{x}{\min }f\left(x\right)\text{满足约束}\{\begin{array}{l}c\left(x\right)\le 0\\ ceq\left(x\right)=0\\ A\cdot x\le b\\ Aeq\cdot x=beq\\ lb\le x\le ub\end{array}$$
$fun$为目标函数，求最小值，$x0$为起始点（也是遗传算法的目标）。
其中$c(x)，ceq(x)$可以为非线性函数，例如简单的二次函数：$c(x)=x^2-2x+1$，两者均返回向量。$nonlcon$参数同时包囊两者，常采用函数句柄输入$fmincon$。
其中$A，Aeq$为线性约束的自变量系数矩阵。$b，beq$同样为矩阵。
$ub，lb$为变量上下界。
值得注意的是，在约束条件里的符号是不能更改的。如果你的约束式符号与上述相反则需要不等式两边同时乘以-1来改变符号。
由于本文中关于交叉与变异的操作方法与适应度无关，仅在选择操作与适应度有关，因此选择操作决定了遗传算法整体的选取值趋向（最大值还是最小值），且需要与非线性规划的趋向进行统一。

非线性寻优

• 采用$fmincon$进行非线性寻优

function ret = nonlinear(chrom,sizepop)
for i=1:sizepop
    x=fmincon(@Fit_fun_nonliner,chrom(i,:)',[],[],[],[],[0 0 0 0 0],[5 5 5 5 5]);
    ret(i,:)=x';
end

值得再强调的是，这里的非线性规划求得的是目标函数最小值。
实际上这里除了变量范围的限定并为对其他进行限制，具体的使用这里并非重点，有时间会特别出一期进行记录。

遗传算法

选择了谢菲尔德大学的Matlab遗传算法工具箱实现算法。
工具箱的导入极为简单，可以自行在网上下载导入。
由于与非线性规划结合，遗传算法在基本的种族的初始化，交叉，变异操作之后要对每个个体进行可行性检验，一般采用$while$循环，直到操作产生的新个体符合要求。

可行性检验

• 对每一个个体进行范围检验

function flag=test(bound,code)
flag=1;
[n,m]=size(code);
for i=1:n
    if code(i)<bound(i,1) || code(i)>bound(i,2)		%范围检验
        flag=0;
    end 
end

实际上，这里的约束不能过多，过多可能会导致程序困死于外层$while$循环，这也是结合算法的缺点，如果约束过于复杂，遗传算法的交叉与变异可能无法产生合适的个体。
如果个体不符合范围要求则返回0，符合则返回1

种群初始化和计算初始种群适应度

• 初始参数设置

%% 清屏
clc
clear
close all
%% 定义遗传算法参数
MAXGEN=100;                         %进化代数
NIND=30;                       		%种群规模
px=0.6;                      		%交叉概率
pm=0.01;                  			%变异概率
lenchrom=[1 1 1];         			%变量字串长度
bound=[0 3;0 3;0 3];      			%变量范围

• 设置种群结构体
• 产生满足一定条件的个体的种群
• 记录初始总体的最佳染色体

Chrom=struct('fitness',zeros(1,NIND), 'chrom',[]); 
%随机初始化种群
for i=1:sizepop
    Chrom.chrom(i,:)=Code(lenchrom,bound);    	%随机产生个体
    x=Chrom.chrom(i,:);
    Chrom.fitness(i)=Fit_fun_nonliner(x);		%个体适应度
end
%找最好的染色体
[bestfitness,bestindex]=min(Chrom.fitness);
bestchrom=Chrom.chrom(bestindex,:);  			%最好的染色体
avgfitness=sum(Chrom.fitness)/NIND; 			%染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=zeros(MAXGEN,2);

$Code$采用随机线性插值限制染色体在变量范围之内。

• $Code$函数展示如何添加染色体检验

function ret=Code(lenchrom,bound)
flag=0;
%检验不通过则重新进行插值
while flag==0	
    pick=rand(1,length(lenchrom));						%生成随机序列
    ret=bound(:,1)'+(bound(:,2)-bound(:,1))'.*pick; 	%线性插值
    flag=test(lenchrom,bound,ret);             			%检验染色体的可行性
end

实际上之后的交叉和变异操作与简单函数优化的区别并不大，仅仅添加了检验，不多做解释。

计算适应度

• 创建独立的.m文件计算适应度

function y = Fit_fun_nonliner(x)
    y=-(sin(10*pi*x(1)*x(2))+sin(x(2)^2)+sin(5*x(3)));
end

这里稍微修改了简单函数优化的目标函数，添加负号求最大值。

个体选择

• 采用轮盘方法从种群中选择个体

Chrom=Select(Chrom,NIND);												%选择

采用轮盘赌局的方法对种群进行选择，原轮盘选择法的选取趋向为最大值，因此在$Select$函数中先对适应度取了倒数,适应度小的个体更容易被选取，与非线性规划保持统一。

交叉

• 采用单点交叉算子对个体的染色体进行重组

Chrom.chrom=Cross(px,lenchrom,Chrom.chrom,NIND,bound);       			%单点交叉

变异

• 对个体进行变异

Chrom.chrom=Mutation(pm,lenchrom,Chrom.chrom,NIND,[i MAXGEN],bound);  	%变异

非线性寻优

• 将当前进化的结果作为非线性规划的起始点进行优化

if mod(i,10)==0
       Chrom.chrom=nonlinear(Chrom.chrom,NIND);				%非线性寻优
end

每十代进行一次非线性寻优，求的在此起始点下的最优解

计算当前种群适应度记录最优解

• 计算当前所有个体的适应度。
• 找到并记录当代最优个体，更新最优解与平均解。

% 计算适应度
for j=1:NIND
	x=Chrom.chrom(j,:);
	Chrom.fitness(j)=Fit_fun_nonliner(x);
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(Chrom.fitness);
[worestfitness,worestindex]=max(Chrom.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
	bestfitness=newbestfitness;
	bestchrom=Chrom.chrom(newbestindex,:);
end
Chrom.chrom(worestindex,:)=bestchrom;
Chrom.fitness(worestindex)=bestfitness;    
avgfitness=sum(Chrom.fitness)/NIND;
trace(i,:)=[avgfitness,bestfitness]; %记录每一代进化中最好的适应度和平均适应度

当平均解与最优解重合时说明当前种群中大多均为最优解，在一定程度代表当前种群已经较为稳定

算法计算结果

虽然在40代左右种群有不稳定的现象，但随着迭代次数再次增加，最终种群中绝大多数个体均接近最优个体。
说明现在的种群已经足够适应当前的"环境"，此时已经产生了较好解，最优值与最优解如下：

最优值	$x$	$y$	$z$
$3.0000$	$0.0399$	$1.2533$	$0.3142$

对结果进行验证与预测结果一致。

$xy$	$y^2$	$5z$
$0.050$	$1.571$	$1.571$
$1/2$	$\pi /2$	$\pi /2$

在这里只是举了一个简单的例子，哪怕不使用非线性规划，单采用遗传算法也能有较好的结果。重点在于两者的结合，具体问题要具体分析。

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，本篇使用的函数与参考文章基本一致，只做了小幅度更改。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.