遗传算法的基本原理和matlab实现

         遗传算法解决全局优化（即为最值点如图中C，D），而局部最优解决的是极值点问题（如图中A，B）

1.       遗传算法流程；

 

[plain]  view plain  copy

1. %遗传算法的伪代码描述：  
2. %Procedure GA  
3. %Begin  
4. %       T=0;  
5. %       Initialize  p(t) ; //p(t)表示 t代种群  
6. %       Evaluate p(t);  //评估第t代种群  
7. %       While not finished do  
8. %       Begin  
9. %            T=t+1;  
10. %            Select p(t) from p(t-1); //从上代种群众选择较优秀的个体到下代子群  
11. %            Reproduce pairs in p(t);  
12. %            Evaluate p(t);  
13. %       End  
14. %End  

生物	算法
物竞天择	选择、交叉、变异
适者生存	适应度

 

故遗传算法主要过程及流程图如下

1）编码（适应度函数，产生初始种群）

2）遗传算子（选择、交叉、变异）

3）繁衍种群

2.       参数初始化，编码阶段

假设目标函数为 

a.      定义个体基因，基因是遗传密码，这里自变量就是基因所携带的信息，即用2进制来表示自变量的可能取值。基因序列的长度由自变量取值范围确定。

b.     定义适应度函数，目标函数是，适应度函数就定义为。

c.      由a，b可知，我们定义好了个体（基因）与适应度函数，现初始化种群，定义种群大小，及繁衍代数。

（1）M：种群规模

（2）T：遗传运算的终止进化代数

（3）Pc：交叉概率

（4）Pm：变异概率