遗传算法（附matlab 代码链接-TSP\VRP\FJSP)

遗传算法

一.基本介绍

遗传算法（Genetic Algorithm，GA），由美国的 John holland于20世纪70年代提出，通过模拟生物进化过程得到一种求解模型的元启发式算法

二．得到新解的方式

共有2种得到新解的方式。

1.交叉操作

(1)顺序类型

给出两个解：X1= 1 3 4 5 6 2 ；X2= 2 3 1 4 5 6。
通过两点交叉进行操作：若选中1和3则互换位置1到3之间的基因。
Xnew1= 【3 1 4】 5 6 2 ;Xnew2= 【1 3 2】 4 5 6 。因为是顺序所以互换的也是顺序，避免不完整。

(2)数值类型

给出两个解：X1= 1 1 2 5 3 2 ；X2= 2 5 3 3 1 4。
通过两点交叉进行操作：若选中1和3则互换位置1到3之间的基因。
Xnew1= 【2 5 3】 5 3 2 ;Xnew2= 【1 1 2】 3 1 4 。因为是顺序可以直接互换对应基因段。

2.变异操作

(1)顺序类型

给出一个解：X1= 1 3 4 5 6 2 。
通过两点互换进行操作：若选中1和3则互换位置1和3的基因。
Xnew1= 【4】3【1】5 3 2 。

(2)数值类型

给出一个解：X1= 1 1 2 5 3 2 。
通过单点交叉进行操作：若选中1则变异位置1的基因，并需要产生移动方向和步长。若方向为+，步长为0.5。
Xnew1= 【1.5】1 2 5 3 2 。

三．接受新解的方式

直接接受

四．算法停止的方式

迭代次数达到设置次数，也可以自行加入其他停止方式，如时间。

五．便于理解-名词解释

(1)染色体

一个染色体代表一个解

(2)基因

代表一个解中的一个维度

(3)种群

n个染色体组成一个种群

(4)选择操作

区别与交叉操作、变异操作产生了新的解，选择操作不产生新的解，会从原有种群中按照一定原则选择等同数量的个体（会重复）。

（5）适应度

适应度只是一个概念，适应度是越大越好，而目标函数根据实际问题来定，需要用目标函数转换成适应度，通常需要用倒数或者乘以-1。

六．整体理解

1.伪代码

设置种群大小psize，迭代次数itermax，交叉概率pco，变异概率pmt
生成初始种群pop(i),i=1,2…psize
计算每个个体的适应度F(i),i=1,2…psize
记录最佳解bestsofar
for iter=1:itermax
通过选择操作 得到新的种群pop(i),i=1,2…psize
for i=1:2:psize
对pop(i),pop(i+1) 进行操作
if rand<pco
通过交叉操作 更新pop(i),pop(i+1)
end
if rand<pmt
通过变异操作 更新pop(i),pop(i+1)
end
end
计算每个个体的适应度F(i),i=1,2…psize
更新最佳解bestsofar
End
输出最佳解

2.流程图

代码链接

链接：https://pan.baidu.com/s/1eBFDPsda1dPxNWJ7kvM1Xg

提取码：ore5

公众号