4 MATLAB与智能优化算法
写在最前
本栏参考《智能优化算法及其MATLAB实例(第二版)》包子阳 余继周 杨彬 编著
4.1 遗传算法
4.1.1遗传算法的基本概念
简单而言,遗传算法使用群体搜索技术,将种群代表一组解,通过对当前种群施加选择、交叉和变异等一系列遗传操作来产生新一代种群。并逐步使种群进化到包含近似最优解的状态。
遗传算法中的术语有一般如下:
群体和个体-----群体是生物进化过程中的一个集团,表示可行解集。个体是组成群体的单个生物体,表示可行解。
染色体和基因-----染色体是包含生物体所有遗传信息的化合物,表示可行解的编码。基因是控制生物体某种性状(即遗传信息)的基本单位,表示可行解编码的分量。
遗传编码-----遗传编码将优化变量转化为基因的组合表示形式,优化变量的编码机制有二进制编码,十进制编码等等。
适应度-----即生物群体中个体适应生存环境的能力。在遗传算法中,用来评价个体优劣的数学函数,称为个体的适应度函数。遗传算法在进化搜索中基本上不用外部信息,仅以适应度函数为依据。它的目标函数不受连续可微的约束,且定义城可以为任意集合。对适应度函数的唯一要求是,针对输入可计算出能进行比较的结果。这特点使得遗传算法应用范围很广。在具体应用中,适应度函数的设计要结合求解问题本身的要求而定。适应度函数评估是选择操作的依据,适应度函数设计直接影响到遗传算法的性能。常见的适应度函数构造方法主要有:目标函数映射成适应度函数,基于序的适应度函数等。
4.1.2 遗传算法的操作和流程
遗传算法中最优解的搜索过程也模仿生物的遗传进化的过程,使用所谓的遗传算子来实现,即选择算子、交叉算子和变异算子。
(1)选择算子:根据个体的适应度,按照一定的规则或方法,从第t代群体P(t)中选择出一些代良的个体遗传到作代群体P(1+t)中。
其中“轮盘赌”选择法是遗传算法中最早提出的种选择方法。它是一种基于比例的选择,利用各个个体适应度所占比例的大小来决定其子孙保留的可能性。若某个个体i的适应度为fi,种群大小为NP,则它被选取的概率表示为pi=fi/(f1+f2+f3+…+fNP)。个体适应度越大,则其被选择的机会也越大,反之亦然。
(2)交叉算子:将群体P(t)中选中的各个个体随机搭配,对每一对个体。以某一概率(交叉概率Pc)交换它们之间的部分染色体。通过交叉,遗传算法的搜索能力得以飞跃提高。交叉操作一般分为以下几个步骤:首先,从交配池中随机取出要交配的一对个体;然后,根据位串长度L,对要交配的一对个体,随机选取[1,L-1]中的一个或多个整数k作为交叉位置;最后,根据交叉概率Pc实施交叉操作,配对个体在交叉位置处,相互交换各自的部分基因,从而形成新的一对个体。
(3)变异算子:对群体中的每个个体,以某一 概率(交异概率Pm)将某一个或某些基因座上的基因值改变为其他的等位基因值。根据个体编码方式的不同,变异方式有:实值变异、二进制交异。对于二进制的变异,对相应的基因值取反;对于实值的变异,对相应的基因值用取值范围内的其他随机值整代。变异操作的一般步骤为:首先,对种群中所有个体按事先设定的变异概率判断是否进行变异;然后,对进行变异的个体随机选择变异位置进行变异。
遗传算法的运算流程 如图所示。具体步骤如下:
(1)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)。
(2)个体评价。计算群体P(t)中各个个体的适应度。
(3)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。
(4)交叉运算。将交叉算子作用于群体,对选中的成对个体,以某概率交换它们之间的部分染色体,产生新的个体
。
(5)变异运算。将变异算子作用于群体,对选中的个体,以某概率改变某一个或某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。
(6)终止条件判断:如g≤G则g=g+1转到步骤(2),若g>G则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,中止计算。
4.1.3遗传算法实例
例如求解y=x+10sin(5x)+7cos(4x)在X=[0,10]上的极大值。
% % % ----------------标准遗传算法求函数极值-------------
% % % -----------------------初始化参数-----------------
clear;clc;
NP=50;L=20;Pc=0.8;Pm=0.1;G=100;Xs=10;Xx=0;
% % % NP--种群数量;L--二进制数串长度;Pc--交叉率;Pm--变异率
% % % G--最大遗传代数;Xs--上限;Xm--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
% % % ------------------------------解码操作--------------------------------------
for i=1:NP
U=f(i,:);
m=0;
for j=1:L
m=U(j)*2^(j-1)+m; % % 二进制装换成十进制
end
x(i)=Xx+m*(Xs-Xx)/(2^L-1); % % 20位的二进制范围映射回[Xm,Xs]区间,也是个体对应X轴的值
Fit(i)= x(i)+10*sin(5*x(i))+7*cos(4*x(i));
end
maxFit=max(Fit); % % 最大值
minFit=min(Fit); % % 最小值
rr=find(Fit==maxFit);
fBest=f(rr(1,1),:);
xBest=x(rr(1,1));
% % % ------------------------------构造适应度集合-------------------------------------
Fit=(Fit-minFit)/(maxFit-minFit); % %归一化适应度值,减去最小除以值域,所有值在0,1之间表示大小
sum_Fit=sum(Fit);
fitvalue=Fit./sum_Fit;
fitvalue=cumsum(fitvalue); % % 占比权重顺序求和,最后一个数必为1,表示为适应度集合(1X50)
% % % -----------------------------遗传操作-------------------------------
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
% % % --------------------------------交叉操作----------------------------------
for i=1:2:NP
p=rand;
if p<Pc
q=randi([0,1],L,1);
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
% % % -------------------------------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; % %最优个体的X坐标
figure
plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
其中函数曲线和遗传算法迭代曲线为: