遗传算法原理案例及MATLAB代码

遗传算法的原理

  遗传算法的科学严谨的原理都在百度百科（遗传算法地址）中由详细解释，在这里我只表达我所理解的遗传算法原理。
 之所以叫遗传算法，原因是该算法是根据大自然中生物体进化规律而设计提出的，通过计算机的方法模拟自然进化过程搜索最优解。
 遗传在百度百科中的解释：是指亲代表达相应性状的基因通过无性繁殖或有性繁殖传递给后代，从而使后代获得其父母遗传信息的现象。基因就是染色体，计算机方法也就是通过模拟染色体的行为来求得最优解。遗传算法对染色体的模拟主要是交叉和变异。

交叉

  在染色体中就是染色体片段的互换，可能是与其他个体交叉，也可能是本身的染色体交叉互换，每次交叉互换就会得到两个新的个体，从而得到两个个新的群体。

变异

在这里的变异并不是缺失、重复、倒位、易位，而是在群体中的个体串的某些基因座上的基因值作变动，如下图所示：

 将原群体进行变异操作，又得到一个新的群体。

计算适应度

  完成以上染色体的行为的步骤后，就产生了新的三个群体。然后进行发育，就是用获得的基因，通过一定的计算得到相对应的结果，在生物的角度看，就是从受精卵发育成一个完整个体。在遗传算法中也就是计算适应度。

选择操作

 现在我们就有四个群体，交叉得到的两个群体，变异得到的一个群体，和原来的群体。计算适应度后，择优选择。
 不断重复以上操作，最终得到最优秀的群体。

遗传算法的案例

  以$f(x)=x\sin (x)\cos (x)$为例，下图就是$f(x),(x\in [0,2\pi ])$的图例：

 我们最终的目标是得到的该段函数的最大值，由图可以很容易看出来这个最大值的横坐标就是$x=4$附近，如下图所示：

 虽然我们可以直观的看出来最大值，可是是用一般算法可能会陷入局部最优，也就是最后的结果可能是横坐标$x=1$的点取值。因此，我们使用遗传算法来求解这个问题。

初始化种群

 如上图所示我们需要先初始化种群，也就是产生第一代个体，第一代个体的产生是随机的，在这里，我使用的是十进制编码去模拟基因,也可以用二进制编码,但是二进制编码的精度感觉没有十进制高。模拟的基因长度是5，随机产生多个基因，如下表随机产生的基因:

第一代的个体	9 3 4 6 8	7 6 9 0 7	3 0 8 2 6	…

 现在可能有的同学有些疑问，为啥这一串数字就是基因呢？
 从基因的角度上说基因其实就是由携带了一定信息的DNA构成的，而这串数字也携带了一些信息。但是这个可能还是有点抽象，这是因为就算直接看真正的基因也是看不出什么东西来的，只有长成个体后，才知道这段基因决定了那些性状，就像高中课本中果蝇的不同表现型一样。现在我们就需要让这串基因“长大”，看看这串基因代表什么。
 由于我们使用的是十进制编码，所以，我们需要用到十进制编码器$[10000;1000;100;10;1]$，以第一个个体基因9 3 4 6 8为例：

计算自适应度

 首先需要解码，就是将9 3 4 6 8与解码器$[10000;1000;100;10;1]$相乘相加，再相除对应的数：
$$9\times 10000+3\times 1000+4\times 100+6\times 10+8\times 1=93468$$
$$x_1=93468÷(9999\times 2\times \pi )=5.8728$$
 之所以除9999，是因为十位编码范围为$[0,9999]$,再除$2\pi$,是因为这是$x$的取值范围。再将$x_1=5.8728$带入$f(x)$,得$f(x_1)=-2.1484$,也就是说9 3 4 6 8这串基因最后的表现型是$-2.1484$。如下图所示：

 我们生成20个个体，如下图所示：

 以上的步骤实际上就是计算自适应度（我也不知道为啥叫自适应度，可能还是知识浅薄😂）。

选择操作

 选择操作就是选择优秀的个体，在本案例中，说白了就是比大小，就拿刚刚算出的数$f(x_1)=-2.1484$来看，这个数明显比较小，所以说明这个个体不咋滴，要排除。我们还看到有两个点已经很接近最大值了，那么说明这两个个体就比较优秀，于是就需要选择这两个个体。但在实际操作中也不是这样直接选择，因为可能会陷入局部最优，就比如都在$x=1$附近。因此，为了避免局部最优的情况发生，一般选用两种方法，一是轮盘赌法，二是排名法。
 轮盘法是通过每个个体与总体的适应度占比来衡量其优劣，比值越大越不容易被淘汰，就是将所有的个体的适应度累加，除以各个个体的适应度$P_i=\frac{R_i}{\sum R_i}$,其中$R_i$是各个个体的适应度。
 排名法是通过每个个体的适应度排名来看的，排名越靠前越不容易被淘汰，排名法的计算法复杂度相对较低,假设 $f(x_1)=-2.1484$是第15名，那么$p_1=\frac{15}{20}=0.75$,就是有$75\%$的概率被移除。
 第一代种群生成后一般不进行选择操作。

交叉操作

 交叉操作就是基因片段的交换，设 $D_1=93468,D_2=76907$,他们进行交叉，就是基因片段的互换,如下图所示：

 除了和其他个体交叉，也可能自己与自己交叉。交叉的对象都是随机的，这样做的目的都是为了让群体具有多样性，避免局部最优。

变异操作

 还是以 $D_1=93468$为例，每个数字可能会变成0~9,的任意一个数：$93460，93478，...$当然在生物界的实际情况也可知变异的概率较小，且变异的长度较短。
 通过以上操作，产生四个群体，再经选择操作，选出最优秀的20个。

MATLAB

clear,clc;
syms x
f = @(x) x.*sin(x).*cos(x)
ezplot(f, [0, 2*pi]) 
xlabel('x')
ylabel('y')

N = 20;                          % 种群上限
ger = 100;                       % 迭代次数
L = 5;                           % 基因长度
pc = 0.8;                        % 交叉概率
pm = 0.1;                        % 变异概率
dco = [10000; 1000; 100; 10 ;1]; % 解码器
dna = randi([0, 9], [N, L]);     % 基因
hold on
x = dna * dco / 99999 * 2 * pi;  % 对初始种群解码
plot(x, f(x),'ko','linewidth',3) % 画出初始解的位置

x1 = zeros(N, L);                % 初始化子代基因，提速用
x2 = x1;                         % 同上
x3 = x1;                         % 同上
fi = zeros(N, 1);                % 初始化适应度，提速

for epoch = 1: ger               % 进化代数为100
    for i = 1: N                 % 交叉操作
        if rand < pc
           d = randi(N);            % 确定另一个交叉的个体
           m = dna(d,:);            % 确定另一个交叉的个体
           d = randi(L-1);          % 确定交叉断点
           x1(i,:) = [dna(i,1:d), m(d+1:L)];  % 新个体 1        
           x2(i,:) = [m(1:d), dna(i,d+1:L)];  % 新个体 2
        end
    end
    x3 = dna;
    for i = 1: N                           % 变异操作
        if rand < pm
            x3(i,randi(L)) = randi([0, 9]);
        end
    end
    dna = [dna; x1; x2; x3];               % 合并新旧基因
    fi = f(dna * dco / 99999 * 2 * pi);    % 计算适应度，容易理解
    dna = [dna, fi];
    dna = flipud(sortrows(dna, L + 1));    % 对适应度进行排名
    while size(dna, 1) > N                 % 自然选择
        d = randi(size(dna, 1));           % 排名法
        if rand < (d - 1) / size(dna, 1)
            dna(d,:) = [];
            fi(d, :) = [];
        end
    end
    dna = dna(:, 1:L);
end
x = dna * dco / 99999 * 2 * pi;            % 对最终种群解码
plot(x, f(x),'ro','linewidth',3)           % 画出最终解的位置
disp(['最优解为x=',num2str(x(1))]);
disp(['最优值为y=',num2str(fi(1))]);

此代码不是我自己编的，原文链接：https://blog.csdn.net/nightmare_dimple/article/details/74355510

结果如下：