遗传算法之求取函数极值

最新推荐文章于 2023-11-09 11:51:45 发布

龙晨天

最新推荐文章于 2023-11-09 11:51:45 发布

阅读量4.9k

点赞数 5

分类专栏：智能控制与控制系统的MATLAB仿真文章标签： matlab

本文链接：https://blog.csdn.net/qq_30759585/article/details/112761360

版权

智能控制与控制系统的MATLAB仿真专栏收录该内容

18 篇文章

订阅专栏

遗传算法之求取函数极值

1、前言

在智能控制（刘金琨）这本里面讲了遗传算法求取函数极值的方法，这里给出一些个人理解时的注释，顺带求解了第10章的课后习题第二题。
遗传算法流程图如下：

2、原书案例

利用遗传算法求Rosenbrock函数的极大值
在这里插入图片描述
该函数有两个局部极大点，分别是f（2.048，-2.048）=3897.7342和f（-2.048，-2.048）=3905.9262，其中后者为全局最大点。

1. 原书代码

%Generic Algorithm for function f(x1,x2) optimum
clear all;
close all;

%Parameters
Size=80;   
G=100;     
CodeL=10;
 
umax=2.048;
umin=-2.048;
%初始化 种群 采样rand+round 产生0和1
E=round(rand(Size,2*CodeL));    %Initial Code

%Main Program
for k=1:1:G
time(k)=k;

for s=1:1:Size
m=E(s,:);
y1=0;y2=0;

%Uncoding  解码操作
m1=m(1:1:CodeL);
for i=1:1:CodeL
   y1=y1+m1(i)*2^(i-1);
end
x1=(umax-umin)*y1/1023+umin;
m2=m(CodeL+1:1:2*CodeL);
for i=1:1:CodeL
   y2=y2+m2(i)*2^(i-1);
end
x2=(umax-umin)*y2/1023+umin;
%优化目标是求函数的最大值，故可将个体的适应度直接取为对应的目标函数值
F(s)=100*(x1^2-x2)^2+(1-x1)^2;
end
%选个体适应度的倒数作为目标函数
Ji=1./F;     %（有一说一 这个真的没用）
%****** Step 1 : Evaluate BestJ ******
BestJ(k)=min(Ji);

fi=F;                          %适应度函数 
%'ascend' 表示升序（默认值），'descend' 表示降序。
[Oderfi,Indexfi]=sort(fi,'ascend' );     %升序排列
Bestfi=Oderfi(Size);           %Let Bestfi=max(fi )选出最优个体
BestS=E(Indexfi(Size),:);      %Let BestS=E(m), m is the Indexfi belong to max(fi)
bfi(k)=Bestfi;             %作图用的 寻优过程

%****** Step 2 : Select and Reproduct Operation******
   fi_sum=sum(fi);
   fi_Size=(Oderfi/fi_sum)*Size;%比例法进行 复制
   
   fi_S=floor(fi_Size);        %Selecting Bigger fi value
   
   kk=1;       
   for i=1:1:Size
      for j=1:1:fi_S(i)        %Select and Reproduce 
       TempE(kk,:)=E(Indexfi(i),:);  %%优秀的个体进行复制
         kk=kk+1;              %kk is used to reproduce
      end
   end
   
%************ Step 3 : Crossover Operation ************
pc=0.60;               %%交叉的概率
n=ceil(20*rand);       %%一点交叉 选择出一点交叉的位置
for i=1:2:(Size-1)
    temp=rand;
    if pc>temp                  %Crossover Condition
    for j=n:1:20
        TempE(i,j)=E(i+1,j);
        TempE(i+1,j)=E(i,j);
    end
    end
end
TempE(Size,:)=BestS;
E=TempE;
   
%************ Step 4: Mutation Operation **************
%pm=0.001;
%pm=0.001-[1:1:Size]*(0.001)/Size; %Bigger fi, smaller Pm
%pm=0.0;    %No mutation
pm=0.1;     %Big mutation   %%%变异

   for i=1:1:Size
      for j=1:1:2*CodeL
         temp=rand;
         if pm>temp                %Mutation Condition
            if TempE(i,j)==0
               TempE(i,j)=1;        %1变0 0变1
            else
               TempE(i,j)=0;
            end
        end
      end
   end
   
%Guarantee TempPop(30,:) is the code belong to the best individual(max(fi))
TempE(Size,:)=BestS;      %保证最优个体不丢失（变异交叉等会改变最优个体的基因）
E=TempE;                  %形成新的一代种群的基因
end
 
Max_Value=Bestfi
BestS
x1
x2
figure(1);
plot(time,BestJ); 
xlabel('Times');ylabel('Best J');
figure(2);
plot(time,bfi);
xlabel('times');ylabel('Best F');

2. 代码结果
在这里插入图片描述

Max_Value =
   3.9059e+03
BestS =
  列 1 至 16

     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0     0
  列 17 至 20
     0     0     0     0
x1 =
   -2.0480
x2 =
   -2.0480

3、课后习题

1. 题目要求
在这里插入图片描述

2. 实验代码

%Generic Algorithm for function f(x1,x2) optimum
clear all;
close all;

%Parameters
Size=80;   
G=100;     
CodeL=40;%最主要的改动是这里 通过提高编码的长度，提高解的精度

umax=5.12;
umin=-5.12;
%初始化 种群 采样rand+round 产生0和1
E=round(rand(Size,3*CodeL));    %Initial Code

%Main Program
for k=1:1:G
time(k)=k;

for s=1:1:Size
m=E(s,:);
y1=0;y2=0;y3=0;

%Uncoding  解码操作
m1=m(1:1:CodeL);
for i=1:1:CodeL
   y1=y1+m1(i)*2^(i-1);
end
x1=(umax-umin)*y1/( 2^CodeL-1)+umin;
m2=m(CodeL+1:1:2*CodeL);
for i=1:1:CodeL
   y2=y2+m2(i)*2^(i-1);
end
x2=(umax-umin)*y2/( 2^CodeL-1)+umin;
m3=m(2*CodeL+1:1:3*CodeL);
for i=1:1:CodeL
   y3=y3+m3(i)*2^(i-1);
end
x3=(umax-umin)*y3/( 2^CodeL-1)+umin;

F(s)=x1*x1+x2*x2+x3*x3;
end

Ji=F;
%****** Step 1 : Evaluate BestJ ******
BestJ(k)=min(Ji);
%要求最小值 所以适应度函数可以设为目标函数的倒数，这样好选出最优个体（值小的适应度高)
fi=1./F;                          %Fitness Function
%'ascend' 表示升序（默认值），'descend' 表示降序。
[Oderfi,Indexfi]=sort(fi,'ascend' );     %Arranging fi small to bigger
Bestfi=Oderfi(Size);           %Let Bestfi=max(fi)
BestS=E(Indexfi(Size),:);      %Let BestS=E(m), m is the Indexfi belong to max(fi)
bfi(k)=Bestfi;%作图用的 寻优过程

%****** Step 2 : Select and Reproduct Operation******
   fi_sum=sum(fi);
   fi_Size=(Oderfi/fi_sum)*Size;%比例法进行 复制
   
   fi_S=floor(fi_Size);        %Selecting Bigger fi value
   
   kk=1;       
   for i=1:1:Size
      for j=1:1:fi_S(i)        %Select and Reproduce 
       TempE(kk,:)=E(Indexfi(i),:);  %%优秀的个体进行复制
         kk=kk+1;              %kk is used to reproduce
      end
   end
   
%************ Step 3 : Crossover Operation ************
pc=0.60;               %%交叉的概率
n=ceil(30*rand);       %%一点交叉 概率大于0.6 
for i=1:2:(Size-1)
    temp=rand;
    if pc>temp                  %Crossover Condition
    for j=n:1:30
        TempE(i,j)=E(i+1,j);
        TempE(i+1,j)=E(i,j);
    end
    end
end
TempE(Size,:)=BestS;
E=TempE;
   
%************ Step 4: Mutation Operation **************
%pm=0.001;
%pm=0.001-[1:1:Size]*(0.001)/Size; %Bigger fi, smaller Pm
%pm=0.0;    %No mutation
pm=0.1;     %Big mutation   %%%变异

   for i=1:1:Size
      for j=1:1:3*CodeL
         temp=rand;
         if pm>temp                %Mutation Condition
            if TempE(i,j)==0
               TempE(i,j)=1;
            else
               TempE(i,j)=0;
            end
        end
      end
   end
   
%Guarantee TempPop(30,:) is the code belong to the best individual(max(fi))
TempE(Size,:)=BestS;
E=TempE;
end
 

BestS
x1
x2
x3
figure(1);
plot(time,BestJ); 
xlabel('Times');ylabel('Best J');
figure(2);
plot(time,bfi);
xlabel('times');ylabel('Best F');

3. 实验结果
在这里插入图片描述


BestS =
  列 1 至 18

     1     1     1     0     0     1     0     0     1     0     0     0     0     1     1     1     0     1

  列 19 至 36

     0     0     1     0     0     1     1     1     1     1     1     1     1     1     1     1     1     1

  列 37 至 54

     1     1     1     0     0     1     0     1     1     1     1     0     0     0     1     0     0     1

  列 55 至 72
     0     0     0     1     0     1     0     1     1     0     0     0     0     0     0     0     0     0

  列 73 至 90

     0     0     0     0     0     0     0     1     0     1     0     0     0     0     1     1     0     0

  列 91 至 108

     0     1     1     1     0     1     0     1     0     1     1     1     1     1     1     1     1     1

  列 109 至 120

     1     1     1     1     1     1     1     1     1     1     1     0

x1 =
  -1.2489e-04
x2 =

   6.4789e-05
x3 =
  -3.2121e-06