1、目标函数介绍
2、遗传算法与程序
3、仿真
1、目标函数介绍
该函数为一个单变量函数,取值范围为[0,10],这个函数有多个局部最优解,具体函数为f(x)=x+10sin(5x)+7cos(4x);其MATLAB实现程序与介绍如下,其函数值图形如图1所示。
// 函数代码
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') %标记横坐标含义
ylabel('f(x)') %标记纵坐标含义
title('f(x)=x+10sin(5x)+7cos(4x)') %标记图片标题
** 图1 函数原图**
2、遗传算法与程序
遗传算法参数
(1)、初始化种群数目为NP=50, 染色体二进制编码长度为I=20(因为只有一个变量,将其转化为二进制是为了更好的应用交叉与变异),最大进化代数为G=100,交叉概率为P=0.8,变异概率为Pm=0.1。
(2)、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。
具体MATLAB实现程序与介绍如下
// 遗传算法程序
%初始化参数
clear all; %清除所有变量
close all; %清图
clc; %清屏
NP=50; %初始化种群数量范围10-200
L=20; %染色体二进制数串长度(采用二进制)
Pc=0.8; %交叉率
Pm=0.1; %变异率
G=100; %最大遗传代数(判断终值的条件之一)
Xs=10; %变量上限
Xx=0; %变量下限
f=randi([0,1],NP,L); %随机获得初始种群产生一个0-1的50*20的矩阵
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%遗传算法循环
for k=1:G %G=最大遗传代数(判断终值的条件之一)
%%%将二进制解码为定义域范围内十进制
for i=1:NP %NP=初始化种群数量范围10-200
U=f(i,:);
m=0;
%%%二进制转化为十进制
for j=1:L %L=染色体二进制数串长度
m=U(j)*2^(j-1)+m; %二进制转化为十进制
end
x(i)=Xx+m*(Xs-Xx)/(2^L-1); %(Xs-Xx)/(2^L-1)精度,确定种群的真实十进制范围。
Fit(i)= func1(x(i)); %适应度函数
end
maxFit=max(Fit); %50个适应度的最大值
minFit=min(Fit); %50个适应度的最小值
rr=find(Fit==maxFit); %找适应度中与 maxFit相等元素的位置
fBest=f(rr(1,1),:); %从种群中选取历代最优个体(二进制)
xBest=x(rr(1,1)); %从种群中选取历代最优个体(十进制进制)
Fit=(Fit-minFit)/(maxFit-minFit); %归一化所有适应度值
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%基于轮盘赌的复制操作
sum_Fit=sum(Fit);
fitvalue=Fit./sum_Fit; %个体被选中的概率
fitvalue=cumsum(fitvalue); %cumsum累积和函数
ms=sort(rand(NP,1)); %rand随机产生0-1;sort对数组元素按升序排列
fiti=1;
newi=1;
%%%按轮盘赌选取50个种群
%%%这里只能用while,因为循环的次数不能确定。
%%%
while newi<=NP %NP=初始化种群数量范围10-200
if (ms(newi))<fitvalue(fiti)
nf(newi,:)=f(fiti,:); %选适应度种群
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; %随机产生一个概率
if p<Pc %Pc=交叉率
q=randi([0,1],1,L); %随机获得初始种群产生一个0,1的1*20的矩阵
%%%确定交叉的部位对1与2,3与4,进行交叉。
for j=1:L
if q(j)==1
temp=nf(i+1,j); %i+1所有的偶数项
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;
%%%需要变异的种群
%%%这里只能用while,因为循环的次数不能确定。
while i<=round(NP*Pm) %NP=初始化种群数量 %Pm=变异率 round取整函数
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) %确定变异染色体上变异的基因个数
g=randi([1,L],1,1); %随选取机需要变异基因数的位置
nf(h,g)=~nf(h,g);
end
i=i+1;
end
f=nf; %将新一代种群赋值给f,不按最优顺序放置
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; %最后遗传算法给出的最优个体
figure
plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
%%%%%%%%%%%%%%%%%%%%%%%%%适应度函数%%%%%%%%%%%%%%%%%%%%%%%%%%%%
function result=func1(x)
fit= x+10*sin(5*x)+7*cos(4*x);
result=fit;
end
仿真结果如图2所示:
** 图2 遗传算法仿真图**
文章来源
文章来自于智能优化算法及其MATLAB实例(第2版)的例2.1。可能是MATLAB版本的原因,书中的程序无法运行,本文将其进行了改写和解释。