【智能控制实验】基于MATLAB的遗传算法函数优化问题求解

最新推荐文章于 2024-09-01 11:01:50 发布

骑行去看海

最新推荐文章于 2024-09-01 11:01:50 发布

阅读量6.2k

点赞数 8

分类专栏：智能控制文章标签： matlab 线性代数开发语言

本文链接：https://blog.csdn.net/sgsx11/article/details/122397200

版权

智能控制专栏收录该内容

7 篇文章 7 订阅

订阅专栏

基于MATLAB的遗传算法函数优化问题求解实验报告

一、实验要求：

掌握matlab遗传算法工具箱的函数命令实现函数优化问题的方法和图形用户界面下求解优化问题的方法。

利用matlab工具箱函数命令实现函数的优化：

已知：

（1）f(x)=x+10sin(5x)+7cos(4x)

优化问题：

Max f(x), s. t. 15£ x£25

绘出函数图像，并给出matlab工具箱函数命令下应用遗传算法求解优化问题的结果和结果分析。

(2)

优化问题：

Max f(x,y), s. t. -3£x£3,-3£y£3

绘出函数图像，并给出matlab工具箱函数命令下应用遗传算法求解优化问题的结果和结果分析。

2、图形用户界面下应用遗传算法求解优化问题:

已知：

（1）f(x)=x+10sin(5x)+7cos(4x)

优化问题：

Max f(x), s. t. 15£ x£25

给出图形用户界面下应用遗传算法求解优化问题的结果和结果分析。

(2)

优化问题：

Max f(x,y), s. t. -3£x£3,-3£y£3

给出图形用户界面下应用遗传算法求解优化问题的结果和结果分析。

二、实验内容

2.1 利用matlab工具箱函数命令实现函数的优化

语法规则：

x = ga(fitnessfcn,nvars)x = ga(fitnessfcn,nvars,A,b)x = ga(fitnessfcn,nvars,A,b,Aeq,beq)x = ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB)%
其中fitnessfc为函数的句柄或者为匿名函数
  nvars,表示自变量个个数（例如自变量为向量X,nvars代表X中的元素个数）
  A，b就是表达式A*X<=b;
  Aeq:表示线性等式约束矩阵，若是没有等式约束就写为[];
  Beq:表示线性等式约束的个数Beq=length(nvars);

2.1.1 f(x)=x+10sin(5x)+7cos(4x)

2.1.1.1 函数图像：

x = 0:0.01:25;
y = x+10*sin(5*x)+7*cos(4*x);
plot(x,y)

QQ截图20211230143225

2.1.1.2 适应度函数：

function y = f1(x)
y = -(x+10*sin(5*x)+7*cos(4*x));
end

2.1.1.3 使用ga函数求解最大值：

x = 0:0.01:20;
y = x+10*sin(5*x)+7*cos(4*x);
plot(x,y)
hold on
OF = @f1;
nvars = 1;
LB = -20;
UB = 20;
[x,fval] = ga(OF,nvars,[],[],[],[],LB,UB)
plot(x,-fval,'*')

2.1.2 2.1.2.1 函数图像：

t=-3:.01:3;
[x,y]=meshgrid(t);%形成格点矩阵
z=-f2(x,y);
figure(1)
mesh(x,y,z);
axis([-3 3 -3 3 -10 10]);
title('z = (3.*((1-x).^2).*exp(-x.^2-(y+1).^2)-10.*(x./5-x.^3-y.^5).*exp(-x.^2-y.^2)-(1/3).*exp(-(x+1).^2-y.^2)); mesh')
colormap cool%cool是一种配色方案，还有其他方案如winter，summer····见help colormap
colorbar

QQ截图20211230141014

QQ截图20211230141025

2.1.2.2 适应度函数：

function z = f2(x)
z = -(3*((1-x(1))^2)*exp(-x(1)^2-(x(2)+1)^2)-10*(x(1)/5-x(1)^3-x(2)^5).*exp(-x(1)^2-x(2)^2)-(1/3)*exp(-(x(1)+1)^2-x(2)^2));
end

2.1.2.3 使用ga函数求解最大值：

f = @(x) 3*((1-x(1))^2)*exp(-x(1)^2-(x(2)+1)^2)-10*(x(1)/5-x(1)^3-x(2)^5)*exp(-x(1)^2-x(2)^2)-(1/3)*exp(-(x(1)+1)^2-x(2)^2);
nvars = 2;
lb = [-3; -3]; % x y的下限
ub = [3; 3] ; % x y的上限
[x,fval] = ga(f,nvars,[],[],[],[],lb,ub)

2.2 图形用户界面下应用遗传算法求解优化问题:

2.2.1 f(x)=x+10sin(5x)+7cos(4x)

QQ截图20211230145945

2.2.2

QQ截图20211230150127

三、运行结果

3.1 利用matlab工具箱函数命令实现函数的优化

3.1.1 f(x)=x+10sin(5x)+7cos(4x)

运行结果：

QQ截图20211230145240

结果分析：

遗传算法很快得到了函数的最大值，但是并不是每次运行都能得到最优解，有时会陷入局部最大值中。

3.1.2 运行结果：

结果分析：

根据图像观察，该二元函数的最大值大概在6~8之间，使用ga函数求解的最大值8.1062，符合要求。

3.2 图形用户界面下应用遗传算法求解优化问题:

3.2.1 f(x)=x+10sin(5x)+7cos(4x)

QQ截图20211230145932

3.1.2

QQ截图20211230150124

四、总结：

（1）GA是对问题参数的编码（染色体）进行操作，而不是参数本身。
（2）GA计算简单，便于计算机编程，功能强。
（3）GA是从问题解的串集开始搜索，而不是从单个解开始，更有利于搜索到全局最优解。
（4）GA使用对象函数值（即适应值）这一信息进行搜索，而不需导数等其它信息。
（5）GA的复制、交叉、变异这三个算子都是由概率决定的，而非确定性的。
（6）GA算法具有隐含的并行性，因而可通过大规模并行计算来提高计算速度。
（7）GA更适合大规模复杂问题的优化，但解决简单问题效率并不高。