遗传算法

遗传算法使用群体搜索技术，将种群代表一组问题解，通过对当前种群施加选择、交叉和变异等一系列遗传操作来产生新一代的种群，并逐步使种群进化到包含近似最优解的状态。

---

1. 基本概念

群体和个体：可行解集合和单个可行解
染色体和基因：可行解的编码（如‘11101101’）和单个可行解（如‘1’）
遗传编码：把优化变量（实数值或者序列顺序）转化为基因的组合表示形式，如二进制编码、十进制编码
适应度：选择适应度函数反映解的最优程度
遗传操作：1. 选择，常用“轮盘赌” ；2. 交叉，对应位互换 ；3. 变异，随机位突变

---

2. 改进方向

标准遗传算法存在局部搜索能力差和“早熟”等缺陷。可以从编码机制、选择策略、交叉算子、变异算子、特殊算子和参数设计（包括群体规模、交叉概率、变异概率）等方面加以改进。

---

3. 流程

4. 关键参数

种群规模NP：较大复杂度高，较小表现不好，一般10~200
交叉概率Pc：较大开辟新的搜索区域能力更强，但是好的个体会遭到破坏。较小则易陷入迟钝。一般选0.25~1
变异概率Pm：低频可以保护优秀个体，高频易趋于纯粹的随机。一般选0.001~0.1
遗传算法的终止进化代数G：终止条件之一，一般100~1000

---

5. MATLAB实例

求函数极值：$f(x)=x+10sin(5x)+7cos(4x),x \in [0, 10]$

代码：

% 标准遗传算法求函数极值
%clear all;
%close all;
%clc;                            %清屏
NP = 50;                        %种群大小
L = 20;                         %二进制位串长度
Pc=0.8;                         %交叉概率
Pm = 0.1;                       %变异概率
G = 100;                        %最大遗传代数
Xr = 10;                        %上限
Xl = 0;                         %下限
f = round(rand(NP,L));          %初始种群
x = zeros(NP,1);                %十进制数
Fit = zeros(NP,1);              %个体适应度
nf = zeros(NP,L);               %新种群
trace = zeros(G,1);

% 遗传算法循环
for k = 1:G

    %二进制解码为十进制
    for i =  1:NP
        U = f(i,:);
        m = 0;
        for j =1:L
            m = U(j)*2^(j-1) + m; %右边高位
        end
        x(i) = Xl + m*(Xr-Xl)/(2^L-1);
        Fit(i) = func1(x(i));
    end 
    maxFit = max(Fit);
    minFit = min(Fit);
    rr = find(Fit==maxFit);         %返回相等值的坐标，可能返回[2,4]。表示2,4都相等
    fBest = f(rr(1,1),:);
    xBest = x(rr(1,1));
    Fit = (Fit-minFit)/(maxFit-minFit); %归一化适应度


    %基于轮盘赌的赋值操作
    sum_Fit = sum(Fit);
    fitvalue = Fit./sum_Fit;
    fitvalue = cumsum(fitvalue);    %累计概率，像饼形图一样
    ms = sort(rand(NP,1));      %采样NP次,从小到大排序
    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 = round(rand(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(NP);          %随机选择需要变异的染色体
        for j = 1:round(L*Pm)   %随机选择变异的基因个数
            g = randi(L);       %随机选择变异的基因
            nf(h,g) =~ nf(h,g);
        end
        i = i+1;
    end

    f = nf;
    f(1,:) = fBest;             %保留最优个体在新的种群
    trace(k) = maxFit;          %历代最优适应度

end

figure
plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')


% 适应度函数
function result = func1(x)
    fit = x+10*sin(5*x)+7*cos(4*x);
    result = fit;
end

结果：