遗传算法（matlab实现）

遗传算法（matlab实现）

计算智能理论与方法课程作业

遗传算法求解如下问题：  MIN  f ( x ) = ( x − 3 ) 2 x ∈ { 0 , 1 , 2 , 3 , 4 , 5 , … , 15 } \text { MIN } f(x)=(\mathrm{x}-3)^{2} \quad \mathrm{x} \in\{0,1,2,3,4,5, \ldots, 15\}  MIN f(x)=(x−3)2x∈{0,1,2,3,4,5,…,15}

---

迭代个体数目为4，采用格雷码和二进制编码，变异概率取编码长度倒数，筛选方式为轮盘赌和锦标赛算法。

一、执行效果

其中蓝色曲线为原函数，红色圆点为父代，蓝色圆点为筛选后的子代，最后红色三角点为迭代筛选结果。

二、算法流程图与实现

1. 算法流程图

---

2. 算法实现

• 编码与解码

• 二进制与十进制的相互转化

  1. 十进制转二进制

  % 十进制转二进制
  function [bin] = my_dec2bin(dec,nums)
  % bin：输出的二进制数据，dec：输入的十进制数据，nums：编码位数
      cols = size(dec, 2);
      bin = zeros(nums, cols); % 初始化二进制矩阵
      
      for i = 1:cols
          % 计算二进制表示
          num = dec(1, i);
          for j = nums:-1:1
              bin(i, j) = mod(num, 2); % 计算余数并填充到矩阵
              num = floor(num / 2);   % 整数除以2
          end
      end
  end
  

  ---

  1. 二进制转十进制

  % 二进制转十进制
  function [x] = my_bin2dec(mat)
  % x：十进制输出，mat：二进制输入
      rows = size(mat, 1);
      cols = size(mat, 2);
      x = zeros(rows,1);
      for ir = 1:rows
          for ic = 1:cols
              if mat(ir,ic)
                  x(ir,1) = x(ir,1) + 2^(cols-ic);
              end
          end  
      end
  
  end
  

• 编码与解码

  基于前面的二进制十进制转换函数实现对十进制与二进制码/格雷码的编码与解码，其中参数WayOfCoding用于设置编码方式。

  1. 编码

  % 编码
  function [x_DNA] = encode(x,WayOfCoding)
  x_bin = my_dec2bin(x,4);
  if WayOfCoding == 1 % 二进制编码
      x_DNA = x_bin;
  elseif WayOfCoding == 0 % 格雷码编码
      x_r1 = my_dec2bin(bitshift(x, -1),4); % 右移一位在编码为二进制
      % 计算格雷码 
      x_DNA = xor(x_bin,x_r1);
  end
  end
  

  ---

  1. 解码

  % 解码
  function [x] = decode(x_DNA,WayOfCoding)
  rows = size(x_DNA,1);
  cols = size(x_DNA,2);
  if WayOfCoding==1 % 二进制解码
      x = my_bin2dec(x_DNA);
  elseif WayOfCoding==0 % 格雷码解码
      % 转化为二进制码
      x_bin = zeros(rows, cols);
      for i = 1:rows
         x_bin(i,1) = x_DNA(i,1); % 最高位
          % 逐位进行异或运算
          for j = 2:cols
              x_bin(i,j) = xor(x_bin(i,j-1), x_DNA(i,j));
          end 
      end
      x = my_bin2dec(x_bin);
  
  end
  end
  

• 交叉与变异

  将4个父代的基因通过一个4x4的矩阵描述，通过对矩阵的行元素进行操作实现基于的交叉与变异。

  基于如下公式进行交叉操作：

  $$\{\begin{array}{l}{\mathbf{y}}^{\left(i_1\right)}(1:r-1)={\mathbf{x}}^{\left(i_1\right)}(1:r-1)\\ {\mathbf{y}}^{\left(i_2\right)}(1:r-1)={\mathbf{x}}^{\left(i_2\right)}(1:r-1)\end{array}+\{\begin{array}{l}{\mathbf{y}}^{\left(i_1\right)}(r:D)={\mathbf{x}}^{\left(i_2\right)}(r:D)\\ {\mathbf{y}}^{\left(i_2\right)}(r:D)={\mathbf{x}}^{\left(i_1\right)}(r:D)\end{array}$$

  % 交叉
  % --确定交叉端
  r_index=[2,3,4];
  r1 = r_index(randi(3)); 
  r2 = r_index(randi(3));
  
  % --交叉后的子代echild_mat
  child_mat = father_mat; 
  
  % --交换片段1
  ex_part = child_mat(1, r1:4);
  child_mat(1, r1:4) = child_mat(2, r1:4);
  child_mat(2, r1:4) = ex_part;
  
  % --交换片段2
  ex_part = child_mat(3, r2:4);
  child_mat(3, r2:4) = child_mat(4, r2:4);
  child_mat(4, r2:4) = ex_part;
  
  

  ---

  变异操作采用随机选择一个基因位点进行取反操作。

  % 变异
  for i_muta = 1:4
      if rand()<Pm
          % ---变异位置
          timesofmuta = timesofmuta + 1;
          r_m_index=[1,2,3,4];
          r_m = r_m_index(randi(4));
          child_mat(i_muta, r_m) = ~child_mat(i_muta, r_m);
      end
  end
  

• 选择

  筛选前需要将子代与父代进行合并，再计算其表现型

  % (4) 合并子代与父代 
  all_mat = [father_mat;child_mat]; % 垂直拼接
  
  % (5) 解码
  x_childs = decode(all_mat,WayOfcoding);
  
  % (6) 子代表现形
  y_childs = f(x_childs);
  

  基于表现型进行筛选，采用轮盘赌和锦标赛算法模拟自然选择。

  1. 轮盘赌算法

  依据个体的表现形算出被选择的概率，通过轮盘赌算法选出新的子代。代码实现如下：

  % 归一化
  P_d = 1./(y_childs+0.0001);
  P_Sum = sum(P_d, 'all');
  P_Child = P_d/P_Sum;
  
  % 计算累计密度
  Pf_Child = zeros(1,8);
  for pi = 1:8
      for pc = 1:pi
          Pf_Child(pi) = Pf_Child(pi) + P_Child(pc);
      end
  end
  
  % 轮盘赌，选择下一批迭代个体
  for in = 1:4
      Pr = rand();
      for pif = 1:8
          if Pf_Child(pif) >= Pr
              x_father(in) = x_childs(pif);
              break;
          end
      end
  end
  

  ---

  1. 锦标赛算法

  父代子代二选一，算法数学描述为：

  $$\begin{array}{l}\mathbf{S}=\left\{{\mathbf{s}}^{(1)},{\mathbf{s}}^{(2)},\dots ,{\mathbf{s}}^{(2M)}\right\}=\left\{{\mathbf{x}}^{(1)},{\mathbf{x}}^{(2)},\dots ,{\mathbf{x}}^{(M)},{\mathbf{y}}^{(1)},{\mathbf{y}}^{(2)},\dots ,{\mathbf{y}}^{(M)}\right\},\\ {\mathbf{x}}^{(i)}=\{\begin{array}{lc}{\mathbf{s}}^{(i)}& \text{ if }{\mathbf{s}}^{(i)}\text{ is better than }{\mathbf{s}}^{(i+M)}\\ {\mathbf{S}}^{(i+M)}& \text{ else }\end{array}\end{array}$$

  代码实现：

  % 子代，父代二选一
  for ij = 1:Nums
      if y_childs(ij) > y_childs(ij+Nums)
          x_father(ij) = x_childs(ij+Nums);
      else
          x_father(ij) = x_childs(ij);
      end
  end
  

  最后选择出新的子代，重复上述过进行迭代直到满足结束条件（达到迭代次数/多代不变）。

结果分析

循环运行500次，计算平均运行时间、最优解率、平均最优解、标准差、相对标准差；

---

• 测试结果（1）

  编码方式：二进制编码
  选择方式：轮盘赌

  迭代次数    平均运行时间(s)    最优解率(%)    平均最优解     标准差     相对标准差(%)
  _______    _____________    __________    _________    _______    ___________
  
    10        8.5748e-05         63.8         3.294      0.76729       23.294
  

  

---

• 测试结果（2）

  编码方式：格雷码编码
  选择方式：轮盘赌

  迭代次数    平均运行时间(s)    最优解率(%)    平均最优解     标准差     相对标准差(%)
  _______    _____________    __________    _________    _______    ___________
  
    10        0.00012561         87.4         3.044      0.77412       25.431
  

  

---

• 测试结果（3）

  编码方式：格雷码编码
  选择方式：锦标赛

  迭代次数    平均运行时间(s)    最优解率(%)    平均最优解     标准差     相对标准差(%)
  _______    _____________    __________    _________    _______    ___________
  
    10        0.00011234         74.2         3.07       0.90262       29.401
  

  

---

• 测试结果（4）

  编码方式：二进制编码
  选择方式：锦标赛

  迭代次数    平均运行时间(s)    最优解率(%)    平均最优解     标准差     相对标准差(%)
  _______    _____________    __________    _________    _______    ___________
  
    10        8.5653e-05          60          3.178      0.71227       22.413
  

  

---

• 测试结果（5）

  编码方式：格雷码编码
  选择方式：轮盘赌

  迭代次数    平均运行时间(s)    最优解率(%)    平均最优解     标准差     相对标准差(%)
  _______    _____________    __________    _________    _______    ___________
  
    35         0.0004159         99.6         3.006      0.09992       3.324
  

  

---

结论

在实验中， 通过上述有限的测试数据，在迭代次数有限的情况下，格雷码编码方式优于二进制编码，轮盘赌略优于锦标赛。在迭代次数35次，采用格雷码编码方式结合轮盘赌选择算法时最优解率可实现99.5%以上，相对标准差达到3%以下，平均运行时间4ms。

源码：https://github.com/Esasoon/Algorithms/tree/main/Genetic_Algorithm