基于轮盘赌的遗传算法程序（带注释）

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。