遗传算法以及实现

智能优化算法-遗传算法以及Matlab实现

---

一、什么是遗传算法GA

遗传算法是进化类算法的一种，模拟生物遗传行为的自适应全局优化搜索算法。学习遗传算法首先应了解一定的生物基础（染色体、基因、变异、染色体变异）。

二、基本概念

1.种群和个体

算法实现在矩阵上，一般把矩阵当作整个群体，矩阵的行向量代表一个个体。个体表示可行解，种群表示可行解集合。

2.基因和染色体

染色体表示可行的编码，基因表示可行的编码的分量。

3.编码

编码的目的是进行交叉、变异操作。以二进制编码为例，假设求[0,4]上f(x)最大值，我们用长度为6的编码表示x，从 [0 0 0 0 0 0]到[1 1 1 1 1 1]，将编码映射到实数内为0-63,所以编码精度就是4/63≈0.0635。一般来说编码精度高，计算复杂度高，结果就精确。

4.适应度函数

适应度函数代表个体的适应能力，一般使用目标函数作为适应函数，使用函数唯一的要求是：对于输入能够计算出可比较的结果。

二、步骤

1.初始化，设置最大进化代数G，随机生成矩阵NP*L作为初始种群；
2.使用适应度函数进行个体评价，计算适应度；
3.选择操作，根据适用度排序，选择适应度大的个体遗传到下一代；
4.交叉操作，选中群体中的个体，按照一定概率交换他们的染色体编码；
5.变异操作，作用与整个群体，以一定概率改变其基因（编码）
6.循环2345，判断终止条件是否满足。

三、示例

1.求函数f(x)=x+10sin(5x)+7cos(4x)在[0,10]上的最大值

代码如下（示例）：

clear all;
close all;
clc;
NP = 50;
L=20;
G=100;
Pc= 0.6;
Pm= 0.1;
Xs= 10;
Xx=0;
f = randi([0,1],NP,L);

for k = 1:G         %每一次迭代
    for i =1:NP     %种群中每一个个体进行操作
        U = f(i,:); %取出种群的一个个体 
        m =0;
        for j =1:L
            m =U(j)*2^(j-1)+m; %m 二进制的0 1编码-->十进制数字，用于计算X（i）
        end
        x(i)=Xx+m*(Xs-Xx)/(2^j-1);      %(Xs-Xx)/(2^j-1)是编码精度
        Fit(i)=func1(x(i));
    end
    maxFit = max(Fit);
    minFit = min(Fit);%max min 在返回向量的个体值，不返回索引
    rr = find(maxFit == Fit); %记录Fit中的最大，find函数返回索引值
    fBest = f(rr(1,1),:);%fBest ----1*20，double
    xBest = x(rr(1,1));  %fBest ----int
    Fit = (Fit-minFit)/(maxFit-minFit);
    
    %--轮盘赌选择操作--%
    sum_fit = sum(Fit);
    fit_value = Fit./sum_fit;   %计算Fit中每个个体适应能力的比 1*50 double
    fit_value = cumsum(fit_value);
    ms = sort(rand(NP,1));       % ms  -- 1*50 double
    fiti = 1;
    new =1;
    while new<=NP
        if (ms(new)<fit_value(fiti))
            nf(new,:)=f(fiti,:);
            new = new+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);
            for j=1:L
                if q(j)==1          %要符合条件=1（=0就不会交叉）
                    temp=nf(i+1,j);     %选择第i个染色体的第j个点进行交叉
                    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(NP,1,1);%随机生成一个1-NP的整数
        for j =1:round(L*Pm)
            g =randi(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')

function result=func1(x)
fit= x+10*sin(5*x)+7*cos(47*x);
result=fit;
end