计算智能导论课程报告

一、问题描述（给出所解决问题的简要描述）

用遗传算法求解如下函数优化问题：

max f(x1,x2)=21.5+x1*sin(4*pi*x1)+x2*sin(20*pi*x2),

-3.0<=x1<=12.1，4.1<=x2<=5.8

二、方法设计（给出方法的详细设计步骤）

图1 遗传算法流程图

 

1.个体的编码：问题的可能解为实数对(x1，x2)的形式，将问题的可能解编码为二进制位串。对于上面的优化问题，假定所要求的精度是小数点后4位，那么

由(12.1-(-3.0))*10000=151000,  2^17-1<151000<=2^18-1知表示变量x1的二进制位串的长度是L1=18。

由(5.8-4.1)*10000=17000，2^14-1<17000<=2^15-1知表示变量x2的二进制位串的长度是L2=15。

所以表示问题可能解(x1,x2)的二进制位串的长度L=L1+L2=18+15=33。

2.适应函数：该优化问题是一个极大化问题，直接取目标函数f(x1,x2)作为适应函数eval(x1,x2)。

3.父体选择策略：轮盘赌选择。

  （1）计算种群中所有染色体适应值之和F=     

（2）计算每个染色体的选择概率pk=   (k=1,2,...,N)

（3）计算每个染色体的累计概率qk=   (k=1,2,...N)

（4）转动轮盘N次，从中选出N个染色体。选择过程如下：          

用[0,1]中的一个随机数r来模拟转动一次轮盘，轮盘停止 转动后指针指向的位置。若r<=q1，这说明指针指向第一个扇形，这时选择第一个染色体v1，一般若qk-1<r<=qk ， 这说明指针指向第k个扇形，这时选择第k个染色体。

4.杂交算子：选择单点杂交。首先随机产生一个整数n作为杂交电的位置，然后对于N/2个父体（取奇数位置的父体），产生一个随机数temp，如果temp<pc，那么将相邻的奇偶项父体在该杂交点右边的子串进行交换，产生两个后代个体。

5.变异算子：对种群中的每一个染色体的每一基因，产生一个随机数r，如果r<pm，则该基因进行变异，否则不进行变异。

6.参数设置：种群规模N=80，最大代数G=300，杂交概率pc=0.6，变异概率pm=0.01。

7.初始化：随机产生初始种群。

8.终止条件：算法运行所指定的最大代数后终止。

9.解码：将染色体解码为表现型。

 

三、实验分析（给出实验结果，并进行分析）

图2 实验结果

 

图3  BEST F-times图

 

实验结果如上图2所示：x1=11.6241,x2=5.7274，max f(x1,x2)=38.7875。

实验结果分析：画出每一轮的最好个体的适应值图，如图3所示，可知曲线是在38.5附近上下震荡的，较早代种群中某些个体的适应值要比第300轮后种群中最好个体的适应值要大，这是由于采样的随机误差所产生的。

 

在本题实现遗传算法时，将到当代为止演化的最好个体单独保存起来，在遗传算法结束后，将演化过程中发现的最好个体作为问题的最优解。

 

附录：程序源代码（提供主要代码以及注释）

clc;
clear all;
close all;
G=300;    %最大代数
N=80;     %种群规模
pm=0.01;  %变异概率
pc=0.6;   %交叉概率
x1min=-3.0;x1max=12.1; %x1取值范围
x2min=4.1;x2max=5.8;   %x2取值范围
L1=18;
L2=15;
L=L1+L2;     %二进制位串长度
E=round(rand(N,L));  %初始化种群
maxh=-100;
for k=1:1:G   %终止条件：算法运行所指定的最大代数
    time(k)=k;
    for s=1:1:N
        m=E(s,:);
        y1=0;y2=0;
        
        m1=m(1:1:L1); 
        for i=1:1:L1
            y1=y1+m1(i)*2^(i-1);
        end
        x1=(x1max-x1min)*y1/(2^L1-1)+x1min; %x1对应的十进制
         
        m2=m(L1+1:1:L);
        for i=1:1:L2
            y2=y2+m2(i)*2^(i-1);
        end
        x2=(x2max-x2min)*y2/(2^L2-1)+x2min; %x2对应的十进制
        
        eval(s)=21.5+x1*sin(4*pi*x1)+x2*sin(20*pi*x2);%适应函数
    end
    
    
%%------------------------------父体选择-------------------------%%
    [Order,Index]=sort(eval);    
    eval_best(k)=Order(N);
    if eval_best(k)>maxh
        maxh=eval_best(k);
        answer_index=k;
        r_string(k,:)=E(Index(N),:);
    end
    
    eval_sum=sum(eval);
    g=eval/eval_sum;%计算选择概率
    q(1)=g(1);%计算累积概率
    for i=2:1:N
        q(i)=q(i-1)+g(i);
    end
    
    for i=1:1:N  %轮盘赌算法
        r=rand(1);
        for j=1:1:N
            if r<=q(j)
                NE(i,:)=E(j,:);
                break;
            end
        end
    end
%%--------------------------------------------------------------%%


%%------------------------------杂交----------------------------%%
    n=ceil(L*rand);
    for i=1:2:(N-1)
        temp=rand;
        if pc>temp
            for j=n:1:L
                t=NE(i,j);
                NE(i,j)=NE(i+1,j);
                NE(i+1,j)=t;
            end
        end
    end
%%--------------------------------------------------------------%%



%%------------------------------变异----------------------------%%
   for i=1:1:N
       for j=1:1:L
           temp=rand;
           if temp<pm
               NE(i,j)=1-NE(i,j);
           end
       end
   end
%%--------------------------------------------------------------%%
   E=NE;
end
   

%%----------------------------输出、画图------------------------%%
fprintf('MAXVALUE\n');
maxh
%answer_index
r_string(answer_index,:)
m=r_string(answer_index,:);
        y1=0;y2=0;
        
        m1=m(1:1:L1); 
        for i=1:1:L1
            y1=y1+m1(i)*2^(i-1);
        end
        x1=(x1max-x1min)*y1/(2^L1-1)+x1min; %x1对应的十进制
        fprintf('x1\n');
        x1
        m2=m(L1+1:1:L);
        for i=1:1:L2
            y2=y2+m2(i)*2^(i-1);
        end
        x2=(x2max-x2min)*y2/(2^L2-1)+x2min; %x2对应的十进制
         fprintf('x2\n');
         x2

figure(1);
plot(time,eval_best);
xlabel('times');ylabel('BEST F'); 
%%-------------------------------------------------------------%%