智能优化算法之遗传算法二(GA)

在遗传算法中，将 $n$ 维决策向量 $X=[x_1,x_2,\dots ,x_n{]}^T$ 用 $n$ 个记号$X_i(i=1，2，\dots ，n)$所组成的符号串 $X$ 来表示：

把每一个 $X_i$ 看作一个遗传基因，它的所有可能取值就称为等位基因，这样， $X$ 就可看作由 $n$ 个遗传基因所组成的一个染色体。

在遗传算法中，决策向量 $X$ 组成了问题的解空间。对问题最优解的搜索是通过对染色体 $X$ 的搜索过程来完成的，因而所有的染色体 $X$ 就组成了问题的搜索空间。

1. 遗传算法运算流程

• 初始化。设置进化代数计数器 $g=0$，设置最大进化代数 $G$，随机生成 $NP$个个体作为初始群体 $P(0)$
• 个体评价。计算群体$P(t)$中各个个体的适应度。
• 选择运算。将选择算子作用于群体，根据个体的适应度，按照一定的规则或方法，选择一些优良个体遗传到下一代群体。
• 交叉运算。将交叉算子作用于群体，对选中的成对个体，以某一概率交换它们之间的部分染色体，产生新的个体
• 变异运算。将变异算子作用于群体，对选中的个体，以某一概率改变某一个或某一些基因值为其他的等位基因。群体 $P(t)$ 经过选择、交叉和变异运算之后得到下一代群体$P(t+1)$。计算其适应度值，并根据适应度值进行排序，准备进行下一次遗传操作。
• 终止条件判断：若 $g\le G$，则 $g=g+1$，转到步骤（2）；若$g＞G$ ，则此进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。
  

2. 关键参数说明

群体规模$NP$

• 较大的群体规模意味着计算复杂度较高，一般$NP取10\sim 200$

交叉概率 $P_c$

• 交叉概率过大，高性能的模式可能会遭到破坏；过小，遗传搜索可能会陷入迟钝状态。一般$P_c取0.25\sim 1.00$

变异概率 $P_m$

• 一般低频度的变异可防止群体中重要基因的可能丢失，高频度的变异将使遗传算法趋于纯粹的随机搜索。通常 $P_m取0.001\sim 0.1$

遗传运算中终止进化代数 $G$

• $G$ 的可能取值可在$100\sim 1000$之间

matlab仿真代码

仿真过程如下：

• 初始化种群数目为$NP=50$ ，染色体二进制编码长度为$L=20$ ，最大进化代数为 $G=100$ ，交叉概率为$P_c=0.8$ ，变异概率为$P_m=0.1$

• 产生初始种群，将二进制编码转换成十进制，计算个体适应度值，并进行归一化；采用基于轮盘赌的选择操作、基于概率的交叉和变异操作，产生新的种群，并把历代的最优个体保留在新种群中，进行下一步遗传操作。

• 判断是否满足终止条件：若满足，则结束搜索过程，输出优化值；若不满足，则继续进行迭代优化。

%%%%%%%%%%%%%%%%%%%%标准遗传算法求函数极值%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%初始化参数%%%%%%%%%%%%%%%%%%%%%%%%%%
clear;
close all;
clc;
NP = 50;          %种群数量
L = 20;           %二进制位串长度 
Pc = 0.8;         %交叉率
Pm = 0.1;         %变异率
G = 100;          %最大遗传代数
Xs = 10;          %上限
Xx = 0;           %下线
f = randi([0,1],NP,L);    %生成一个50行20列的（0-1）数组
%%%%%%%%%%%%%%%%%%%%%%%%遗传算法循环%%%%%%%%%%%%%%%%%%%%%%%%
for k = 1:G
    %%%%%%%%将二进制解码为定义域范围内的十进制%%%%%%%%
    for i = 1:NP
        U = f(i,:);    %取 f矩阵的第一行
        m = 0;
        for j =1:L
            m = U(j)*2^(j-1)+m;   %将每一行的二进制化成十进制
        end
        x(i) = Xx+ m*(Xs-Xx)/(2^L-1);
        Fit(i) = func1(x(i));
    end
    maxFit = max(Fit);
    minFit = min(Fit);
    rr = find(Fit==maxFit);  
    fBest = f(rr(1,1),:);
    xBest =x(rr(1,1));
    Fit = (Fit-minFit)/(maxFit-minFit);
    %%%%%%%%基于轮盘赌的复制操作%%%%%%%%
    sum_Fit = sum(Fit);
    fitvalue = Fit./sum_Fit;
    fitvalue = cumsum(fitvalue);
    ms = sort(rand(NP,1));
    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 = randi([0 1],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([1,NP],1,1);
        for j =1:round(L*Pm)
            g = randi([1,L],1,1);
            nf(h,g) =~ nf(h,g);
        end
        i = i+1;
    end
    f = nf;
    f(1,:) = fBest;
    trace(k) = maxFit
end
xBest;
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

优化结束后，其适应度进化曲线如图所示。