1.遗传算法的介绍
遗传算法(Genetic Algorithm,GA)关键是把问题参数编码成染色体,再利用迭代方式进行选择、交叉、变异等运算交换种群中的染色体信息,根据适应度的好坏选择一定数量优秀的染色体,经过若干代的进化后,最终收敛于最好的符合优化目标染色体。
特点:
- 全局搜索能力强,局部搜索能力弱
- 一般得到的是次优解,而非最优解(问题规模小可得最优解,问题规模大一般只能得近似解)
术语:
- 个体(individual)
- 适应度函数(fitness function)、适应度函数值(fitness value)
- 种群(population)、种群大小(population size)
- 代(generation)
- 父代(parents)、子代(children)
- 选择(select)、交叉(crossover)、变异(mutation)
- 精英数目(eliteCount)、交叉后代比例(crossover fraction)
步骤:
- 初始化种群:位串编码、Grey编码、实数编码、多级参数编码、有序串编码、结构式编码
- 适应度函数:由目标函数变换得到,函数值越大/小,个体越优
- 选择操作:个体适应度函数值越高,被选中概率越大,轮盘赌法、锦标赛法
- 交叉操作:随机抽取种群两个个体,通过染色体的交换组合,把父串的优秀特征传给子串,从而产生新的优秀个体
- 变异操作:维持种群多样性,随机抽取种群单个体,选择染色体的一点变异
- 收敛寻优:通过迭代产生的新种群为下次计算的初始值,经过众多次迭代,算法收敛于“最优解”
- 结果统计:多次测试,根据需求,取最优或平均
参数:
- 种群规模:100
- 进化次数:30
- 交叉概率:0.6
- 变异概率:0.1
改进:
- 精英策略:子代种群中的最优个体永远不会比父代最优的个体差,使得父代好的个体不至于交叉、变异而丢失
- 进化逆转:TSP解的关键在于码串的顺序,交叉一方面可以维持种群的多样性,避免陷入局部最优,另一方面它不利于子代继承亲代的较多信息,特别是进化到了后期,群体充斥大量高适应度个体,交叉对亲代的较优基因破坏很大,使子代难以继承到亲代的优良基因,从而使交叉算子的搜索能力大大降低;单向进化逆转,即只接受朝着好的方向的逆转,搜索最优解的能力强于交叉算子
2.遗传算法工具箱
2.1 GA工具箱
- 英国谢菲尔德大学的遗传算法工具箱
- 美国北卡罗来纳州立大学的遗传算法最优化工具箱
- MATLAB自带的遗传算法工具箱与直接搜索工具箱
2.2 谢菲尔德遗传算法工具箱
2.2.1 安装配置到 Matlab
- 将 gatbx 文件夹复制粘贴到 Matlab 软件安装目录下的 toolbox 目录中
- 将所在文件夹添加到 Matlab 的搜索路径:str=[matlabroot,'\toolbox\gatbx']; addpath(str)
- 测试是否安装成功:v = ver('gatbx')
2.2.2 工具箱相关函数功能介绍
2.2
2.3 MATLAB自带的遗传算法工具箱与直接搜索工具箱
Genetic Algorithm and Direct Search Toolbox,GADST
2.3.1 GADST GUI
命令行输入:
optimtool('ga')
注意:GADST是对目标函数去最小值进行优化,若要最大值优化,将适应度函数*-1
3 非线性规划的函数寻优
1.初始化种群:实数编码:不必进行数值转换,可以直接在解的表现型上进行遗传算法操作
function ret=Code(lenchrom, bound)
% lenchrom input : 染色体长度
% bound input : 变量的取值范围
% ret output: 染色体的编码值
flag=0;
while flag==0
pick=rand(1,length(lenchrom));
ret=bound(:,1)'+(bound(:,2)-bound(:,1))'.*pick; % 线性插值
flag=test(lenchrom,bound,ret); % 检验染色体的可行性
end
2.适应度函数:求函数最小值,将函数值的倒数作为个体的适应度值,即函数值越小的个体越优
function y = fun(x)
y=-5*sin(x(1))*sin(x(2))*sin(x(3))*sin(x(4))*sin(x(5))-sin(5*x(1))*sin(5*x(2))*sin(5*x(3))*sin(5*x(4))*sin(5*x(5))+8;
3.选择操作:轮盘赌:基于适应度比例的选择策略
function ret=Select(individuals,sizepop)
% individuals input : 种群信息
% sizepop input : 种群规模
% opts input : 选择方法的选择
% ret output : 经过选择后的种群
individuals.fitness= 1./(individuals.fitness);
sumfitness=sum(individuals.fitness);
sumf=individuals.fitness./sumfitness;
index=[];
for i=1:sizepop % 转sizepop次轮盘
pick=rand;
while pick==0
pick=rand;
end
for j=1:sizepop
pick=pick-sumf(j);
if pick<0
index=[index j];
break; % 寻找落入的区间,此次转轮盘选中了染色体i,注意:在转sizepop次轮盘的过程中,有可能会重复选择某些染色体
end
end
end
individuals.chrom=individuals.chrom(index,:);
individuals.fitness=individuals.fitness(index);
ret=individuals;
4.交叉操作:实数交叉
function ret=Cross(pcross, lenchrom, chrom, sizepop, bound)
% pcorss input : 交叉概率
% lenchrom input : 染色体的长度
% chrom input : 染色体群
% sizepop input : 种群规模
% ret output : 交叉后的染色体
for i=1:sizepop
% 随机选择两个染色体进行交叉
pick=rand(1,2);
while prod(pick)==0
pick=rand(1,2);
end
index=ceil(pick.*sizepop);
% 交叉概率决定是否进行交叉
pick=rand;
while pick==0
pick=rand;
end
if pick>pcross
continue;
end
flag=0;
while flag==0
% 随机选择交叉位置
pick=rand;
while pick==0
pick=rand;
end
% 随机选择进行交叉的位置,即选择第几个变量进行交叉,注意:两个染色体交叉的位置相同
pos=ceil(pick.*sum(lenchrom));
pick=rand; % 交叉开始
v1=chrom(index(1),pos);
v2=chrom(index(2),pos);
chrom(index(1),pos)=pick*v2+(1-pick)*v1;
chrom(index(2),pos)=pick*v1+(1-pick)*v2; % 交叉结束
flag1=test(lenchrom,bound,chrom(index(1),:)); % 检验染色体1的可行性
flag2=test(lenchrom,bound,chrom(index(2),:)); % 检验染色体2的可行性
if flag1*flag2==0
flag=0;
else flag=1;
end % 如果两个染色体不是都可行,则重新交叉
end
end
ret=chrom;
5.变异操作
function ret=Mutation(pmutation, lenchrom, chrom, sizepop, pop, bound)
% pcorss input : 变异概率
% lenchrom input : 染色体长度
% chrom input : 染色体群
% sizepop input : 种群规模
% pop input : 当前种群的进化代数和最大的进化代数信息
% ret output : 变异后的染色体
for i=1:sizepop
% 随机选择一个染色体进行变异
pick=rand;
while pick==0
pick=rand;
end
index=ceil(pick*sizepop);
% 变异概率决定该轮循环是否进行变异
pick=rand;
if pick>pmutation
continue;
end
flag=0;
while flag==0
% 变异位置
pick=rand;
while pick==0
pick=rand;
end
% 随机选择了染色体变异的位置,即选择了第pos个变量进行变异
pos=ceil(pick*sum(lenchrom));
v=chrom(i,pos);
v1=v-bound(pos,1);
v2=bound(pos,2)-v;
pick=rand; % 变异开始
if pick>0.5
delta=v2*(1-pick^((1-pop(1)/pop(2))^2));
chrom(i,pos)=v+delta;
else
delta=v1*(1-pick^((1-pop(1)/pop(2))^2));
chrom(i,pos)=v-delta;
end % 变异结束
flag=test(lenchrom,bound,chrom(i,:)); % 检验染色体的可行性
end
end
ret=chrom;
6.收敛寻优
基本GA寻优
%% 清空环境
clc
clear
%% 遗传算法参数
maxgen=30; % 进化代数
sizepop=100; % 种群规模
pcross=[0.6]; % 交叉概率
pmutation=[0.01]; % 变异概率
lenchrom=[1 1 1 1 1]; % 变量字串长度
bound=[0 0.9*pi;0 0.9*pi;0 0.9*pi;0 0.9*pi;0 0.9*pi]; % 变量范围
%% 个体初始化
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); % 种群结构体
avgfitness=[]; % 种群平均适应度
bestfitness=[]; % 种群最佳适应度
bestchrom=[]; % 适应度最好染色体
% 初始化种群
for i=1:sizepop
individuals.chrom(i,:)=Code(lenchrom,bound); % 随机产生个体
x=individuals.chrom(i,:);
individuals.fitness(i)=fun(x); % 个体适应度
end
% 找最好的染色体
[bestfitness bestindex]=min(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:); % 最好的染色体
avgfitness=sum(individuals.fitness)/sizepop; % 染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[];
%% 进化开始
for i=1:maxgen
% 选择操作
individuals=Select(individuals,sizepop);
avgfitness=sum(individuals.fitness)/sizepop;
% 交叉操作
individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
% 变异操作
individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound);
% 计算适应度
for j=1:sizepop
x=individuals.chrom(j,:);
individuals.fitness(j)=fun(x);
end
% 找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individuals.fitness);
[worestfitness,worestindex]=max(individuals.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=individuals.chrom(newbestindex,:);
end
individuals.chrom(worestindex,:)=bestchrom;
individuals.fitness(worestindex)=bestfitness;
avgfitness=sum(individuals.fitness)/sizepop;
% 记录每一代进化中最好的适应度和平均适应度
trace=[trace;avgfitness bestfitness];
end %进化结束
%% 结果显示
[r c]=size(trace);
figure
plot([1:r]',trace(:,1),'r-',[1:r]',trace(:,2),'b--');
title(['函数值曲线 ' '终止代数=' num2str(maxgen)],'fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('函数值','fontsize',12);
legend('各代平均值','各代最佳值');
disp('函数值 变量');
ylim([1.5 8])
%xlim([1,size(trace,1)])
grid on
% 窗口显示
disp([bestfitness x]);
工具箱fmincon函数优化
function ret = nonlinear(chrom,sizepop)
for i=1:sizepop
x=fmincon(inline('-5*sin(x(1))*sin(x(2))*sin(x(3))*sin(x(4))*sin(x(5))-sin(5*x(1))*sin(5*x(2))*sin(5*x(3))*sin(5*x(4))*sin(5*x(5))'),chrom(i,:)',[],[],[],[],[0 0 0 0 0],[2.8274 2.8274 2.8274 2.8274 2.8274]);
ret(i,:)=x';
end
%% 清空环境
clc
clear
warning off
%% 遗传算法参数
maxgen=30; % 进化代数
sizepop=100; % 种群规模
pcross=[0.6]; % 交叉概率
pmutation=[0.01]; % 变异概率
lenchrom=[1 1 1 1 1]; % 变量字串长度
bound=[0 0.9*pi;0 0.9*pi;0 0.9*pi;0 0.9*pi;0 0.9*pi]; %变量范围
%% 个体初始化
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]); % 种群结构体
avgfitness=[]; % 种群平均适应度
bestfitness=[]; % 种群最佳适应度
bestchrom=[]; % 适应度最好染色体
% 初始化种群
for i=1:sizepop
individuals.chrom(i,:)=Code(lenchrom,bound); % 随机产生个体
x=individuals.chrom(i,:);
individuals.fitness(i)=fun(x); % 个体适应度
end
%找最好的染色体
[bestfitness bestindex]=min(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:); % 最好的染色体
avgfitness=sum(individuals.fitness)/sizepop; % 染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[];
%% 进化开始
for i=1:maxgen
% 选择操作
individuals=Select(individuals,sizepop);
avgfitness=sum(individuals.fitness)/sizepop;
% 交叉操作
individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound);
% 变异操作
individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound);
if mod(i,10)==0
individuals.chrom=nonlinear(individuals.chrom,sizepop);
end
% 计算适应度
for j=1:sizepop
x=individuals.chrom(j,:);
individuals.fitness(j)=fun(x);
end
% 找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individuals.fitness);
[worestfitness,worestindex]=max(individuals.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=individuals.chrom(newbestindex,:);
end
individuals.chrom(worestindex,:)=bestchrom;
individuals.fitness(worestindex)=bestfitness;
avgfitness=sum(individuals.fitness)/sizepop;
% 记录每一代进化中最好的适应度和平均适应度
trace=[trace;avgfitness bestfitness];
end % 进化结束
%% 结果显示
figure
[r c]=size(trace);
plot([1:r]',trace(:,1),'r-',[1:r]',trace(:,2),'b--');
title(['函数值曲线 ' '终止代数=' num2str(maxgen)],'fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('函数值','fontsize',12);
legend('各代平均值','各代最佳值','fontsize',12);
ylim([1.5 8])
disp('函数值 变量');
% 窗口显示
disp([bestfitness x]);
grid on
7.结果
基本GA优化迭代到第30次函数值收敛于2,工具箱优化迭代到第10次函数值收敛于2
4 基于遗传算法的TSP算法
TSP:从一个城市出发,访问每个城市且只去一次,最后回到出发城市,使路径最短(一条遍历n个城市的最短曼哈顿回路)
城市编号 | X坐标 | Y坐标 | 城市编号 | X坐标 | Y坐标 |
1 | 16.47 | 96.1 | 8 | 17.2 | 96.29 |
2 | 16.47 | 94.44 | 9 | 16.3 | 9 |