系列链接
一、定义
简单来说,遗传算法就是将染色体的一些性质如“选择、交叉、变异”用在了求解的过程中,用于求解复杂方程的数值解,求解的效率较传统算法更高一些。
二、算法思想
遗传算法就是对当前的一些解概率性的选择留下,或者发生一些交叉和变异,更新为新的解,然后用一个评价函数用来评价解的好坏。而好坏程度则有决定这些解在下一代解中出现的概率,往复迭代,直到满足终止条件。
基因的选择
我们假设一串数01101代表染色体,每个数字代表一种基因,每一位的0和1代表两种等位基因,所以该染色体数经过选择后依然是01101,也就是生存了下来,遗传给了后一代。
基因的变异
依旧以01101为例,如果第一位发生了变异,则会变为它的等位基因1,变为11101,这就是染色体中的基因突变。
基因的交叉
对于两个染色体11011和01101,这两个染色体的前两位发生了交叉,那么两个染色体将变为01011和11101,这就是基因的交叉。
算法精度
使用一堆二进制的数来代表解,比如用8位二进制的数来代表区间 [0,1] 那么求解精度为1/256≈0.004。
术语
三、算法步骤
初始化
对于一般的计算问题,随机初始化就足够了
适应度计算
实际上就是当前解带入目标函数后的函数值,比如你要求最大值,那么将当前解带入后值越大则说明适应度越好
终止条件
一般是完成了规定的迭代次数
选择操作
一般选用“轮盘赌”,类似抽奖,一个圆中占得扇形面积最大就最容易中奖,因此适用性越高的约容易留下,详细可参见链接
交叉操作
确定一个概率,对每一个有P的概率交叉L*P个基因,其中L表示一个染色体中的基因个数
变异操作
同上,指定一个概率,使一定数量的基因被替换成等位基因
四、练习一下
到目前为止大致思想说完了,还觉得不够清晰?那就以一道题目为例:
例:求 f(x)=x+10sin(5x)+7cos(4x) 在[0,10]上的最大值
先把图像画出来如上图所示,这显然是个具有多峰的函数,下面我们使用遗传算法来求解一下,先放求解结果,左图是适应度的迭代过程,看得出来每一代的适应度都在提升,右图中红色的点是求解的最优值,很明显求解的结果是很好的,没有陷入局部最优。
下边我贴出代码,代码参考“智能优化算法及其MATLAB实例”
脚本1 —— 画图
%%%%%%%%%f(x)=x+10sin(5x)+7cos(4x)%%%%%%%%%%
clear all; %清除所有变量
close all; %清图
clc; %清屏
x=0:0.01:10;
y=x+10*sin(5*x)+7*cos(4*x);
plot(x,y)
xlabel('x')
ylabel('f(x)')
title('f(x)=x+10sin(5x)+7cos(4x)')
脚本2 —— 适应度评价函数
%%%%%%%%%%%%%%%%%%%%%%%%%适应度函数%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function result=func1(x)
fit= x+10*sin(5*x)+7*cos(4*x);
result=fit;
标本3 —— 遗传算法
%%%%%%%%%%%%%%%%%%%%标准遗传算法求函数极值%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%初始化参数%%%%%%%%%%%%%%%%%%%%%%%%%%
clear all; %清除所有变量
close all; %清图
clc; %清屏
NP=50; %种群数量
L=20; %二进制数串长度
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; %下限
f=randi([0,1],NP,L); %随机获得初始种群
%%%%%%%%%%%%%%%%%%%%%%%%%遗传算法循环%%%%%%%%%%%%%%%%%%%%%%%%
for k=1:G
%%%%%%%%%%%%将二进制解码为定义域范围内十进制%%%%%%%%%%%%%%
for i=1:NP
U=f(i,:);
m=0;
for j=1:L
m=U(j)*2^(j-1)+m;
end
x(i)=Xx+m*(Xs-Xx)/(2^L-1);
Fit(i)= func1(x(i));
end
maxFit=max(Fit); %最大值
minFit=min(Fit); %最小值
rr=find(Fit==maxFit);
fBest=f(rr(1,1),:); %历代最优个体
xBest=x(rr(1,1));
Fit=(Fit-minFit)/(maxFit-minFit); %归一化适应度值
%%%%%%%%%%%%%%%%%%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); %随机选取一个需要变异的染色体
for j=1:round(L*Pm)
g=randi([1,L],1,1); %随机需要变异的基因数
nf(h,g)=~nf(h,g);
end
i=i+1;
end
f=nf;
f(1,:)=fBest; %保留最优个体在新种群中
trace(k)=maxFit; %历代最优适应度
end
xBest; %最优个体
figure
plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
注:感觉代码还是通俗易懂的,我在参考代码上加了点注释,修改了几个过时函数