遗传算法matlab代码

最新推荐文章于 2024-02-25 16:50:49 发布
最新推荐文章于 2024-02-25 16:50:49 发布
阅读量5.2k 收藏 35
点赞数 10
分类专栏： 备份
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/sinat_39416814/article/details/93747524
版权

 

实验目的：

 

编程实现课本例4.1，理解遗传算法

 

实验平台：

 

 

平台：笔记本电脑。

软件：MATLAB2010

 

实验内容：

 

M文件如下：

%遗传算法````````````````````````````````````````````````````````````````````````

%设群体规模为5，交配概率为0.88，变异概率0.1

%初始化

%迭代次数：N

N=10000;

k=1;

fk=zeros(1,N);

c=unifrnd (-5, 5, 5, 4);

%适应值评估

Ec1=1/(c(1,1)^2+c(1,2)^2+c(1,3)^2+c(1,4)^2+1);

Ec2=1/(c(2,1)^2+c(2,2)^2+c(2,3)^2+c(2,4)^2+1);

Ec3=1/(c(3,1)^2+c(3,2)^2+c(3,3)^2+c(3,4)^2+1);

Ec4=1/(c(4,1)^2+c(4,2)^2+c(4,3)^2+c(4,4)^2+1);

Ec5=1/(c(5,1)^2+c(5,2)^2+c(5,3)^2+c(5,4)^2+1);

E=[Ec1 Ec2 Ec3 Ec4 Ec5];

for i=1:N

%选择

x=Ec1+Ec2+Ec3+Ec4+Ec5;

pe=[Ec1/x Ec2/x Ec3/x Ec4/x Ec5/x];

%五次轮盘赌

pp=[1 2 3 4 5];

j=0;

for i=1:5

j=j+1;

m=0;

r=rand;

for i=1:5

    m=m+pe(i);

    if r<=m

        pp(j)=i;

        break

    end

end

end

%更新种群

c=[c(pp(1),:);c(pp(2),:);c(pp(3),:);c(pp(4),:);c(pp(5),:)];

%判断交配

a=[0 0 0 0 0];

p=unifrnd (0, 1, 1, 5);

if p(1)<0.88

     a(1)=1;

end

if p(2)<0.88

     a(2)=1;

end

if p(3)<0.88

     a(3)=1;

end

if p(4)<0.88

     a(4)=1;

end

if p(5)<0.88

     a(5)=1;

end

%交配

%随机生成1-3之间的自然数作为交配位

n=randint(1,5,[1 3]);

    if(a==[1 1 0 0 0]|a==[1 0 1 0 0]|a==[1 0 0 1 0]|a==[1 0 0 0 1]|a==[0 1 1 0 0]|a==[0 1 0 1 0]|a==[0 1 0 0 1]|a==[0 0 1 1 0]|a==[0 0 1 0 1]|a==[0 0 0 1 1])

        if(a==[1 0 1 0 0])

         t=c(2,:);

         c(2,:)=c(3,:);

         c(3,:)=t;

        end

        if(a==[1 0 0 1 0])

         t=c(2,:);

         c(2,:)=c(4,:);

         c(4,:)=t;

        end

        if(a==[1 0 0 0 1])

         t=c(2,:);

         c(2,:)=c(5,:);

         c(5,:)=t;

        end

        if(a==[0 1 1 0 0])

         t=c(1,:);

         c(1,:)=c(3,:);

         c(3,:)=t;

        end

        if(a==[0 1 0 0 1])

         t=c(1,:);

         c(1,:)=c(5,:);

         c(5,:)=t;

        end

        if(a==[0 0 1 1 0])

         t=c(1,:);

         c(1,:)=c(3,:);

         c(3,:)=t;

         t=c(2,:);

         c(2,:)=c(4,:);

         c(4,:)=t;

        end

        if(a==[0 0 1 0 1])

         t=c(1,:);

         c(1,:)=c(3,:);

         c(3,:)=t;

         t=c(2,:);

         c(2,:)=c(5,:);

         c(5,:)=t;

        end

        if(a==[0 0 0 1 1])

         t=c(1,:);

         c(1,:)=c(4,:);

         c(4,:)=t;

         t=c(2,:);

         c(2,:)=c(5,:);

         c(5,:)=t;

        end

     %两个染色体两两交配

     %第1,2条染色体交配

        if(n(1)==1)

            t=c(1,1);

            c(1,1)=c(2,1);

            c(2,1)=t;

        end

        if(n(1)==2)

            t=c(1,3);

            c(1,3)=c(2,3);

            c(2,3)=t;

            t=c(1,4);

            c(1,4)=c(2,4);

            c(2,4)=t;

        end

        if(n(1)==3)

          t=c(1,4);

          c(1,4)=c(2,4);

          c(2,4)=t; 

        end

    end

     %三个染色体两两交配

    if(a==[0 0 1 1 1]|a==[0 1 0 1 1]|a==[0 1 1 0 1]|a==[0 1 1 1 0]|a==[1 0 0 1 1]|a==[1 0 1 0 1]|a==[1 0 1 1 0]|a==[1 1 0 0 1]|a==[1 1 0 1 0]|a==[1 1 1 0 0])

     %将三条染色体排在前三位

    if(a==[0 0 1 1 1])

         t=c(1,:);

         c(1,:)=c(4,:);

         c(4,:)=t;

         t=c(2,:);

         c(2,:)=c(5,:);

         c(5,:)=t;

    end

    if(a==[0 1 0 1 1])

         t=c(1,:);

         c(1,:)=c(4,:);

         c(4,:)=t;

         t=c(3,:);

         c(3,:)=c(5,:);

         c(5,:)=t;

    end

    if(a==[0 1 1 0 1])

         t=c(1,:);

         c(1,:)=c(5,:);

         c(5,:)=t;

    end

    if(a==[0 1 1 1 0])

         t=c(1,:);

         c(1,:)=c(4,:);

         c(4,:)=t;

    end

    if(a==[1 0 0 1 1])

         t=c(2,:);

         c(2,:)=c(4,:);

         c(4,:)=t;

         t=c(3,:);

         c(3,:)=c(5,:);

         c(5,:)=t;

    end

    if(a==[1 0 1 0 1])

         t=c(2,:);

         c(2,:)=c(5,:);

         c(5,:)=t;

    end

    if(a==[1 0 1 1 0])

         t=c(2,:);

         c(2,:)=c(4,:);

         c(4,:)=t;

    end

    if(a==[1 1 0 0 1])

         t=c(3,:);

         c(3,:)=c(5,:);

         c(5,:)=t;

    end

    if(a==[1 1 0 1 0])

         t=c(3,:);

         c(3,:)=c(4,:);

         c(4,:)=t;

    end

     %第1,2条交配

        if(n(1)==1)

            t=c(1,1);

            c(1,1)=c(2,1);

            c(2,1)=t;

        end

        if(n(1)==2)

            t=c(1,3);

            c(1,3)=c(2,3);

            c(2,3)=t;

            t=c(1,4);

            c(1,4)=c(2,4);

            c(2,4)=t;

        end

        if(n(1)==3)

          t=c(1,4);

          c(1,4)=c(2,4);

          c(2,4)=t; 

        end

         %第1,3条交配

        if(n(1)==1)

            t=c(1,1);

            c(1,1)=c(3,1);

            c(3,1)=t;

        end

        if(n(1)==2)

            t=c(1,3);

            c(1,3)=c(3,3);

            c(3,3)=t;

            t=c(1,4);

            c(1,4)=c(3,4);

            c(3,4)=t;

        end

        if(n(1)==3)

          t=c(1,4);

          c(1,4)=c(3,4);

          c(3,4)=t; 

        end

    end

    %四个染色体两两交配

    if(a==[0 1 1 1 1]|a==[1 0 1 1 1]|a==[1 1 0 1 1]|a==[1 1 1 0 1]|a==[1 1 1 1 0])

        %将四条染色体按顺序排列

      if(a==[0 1 1 1 1])

         t=c(1,:);

         c(1,:)=c(5,:);

         c(5,:)=t;

      end

      if(a==[1 0 1 1 1])

         t=c(2,:);

         c(2,:)=c(5,:);

         c(5,:)=t;

      end

      if(a==[1 1 1 0 1])

         t=c(4,:);

         c(4,:)=c(5,:);

         c(5,:)=t;

      end

      if(a==[1 1 0 1 1])

         t=c(3,:);

         c(3,:)=c(5,:);

         c(5,:)=t;

      end

         %第1,2条交配

        if(n(1)==1)

            t=c(1,1);

            c(1,1)=c(2,1);

            c(2,1)=t;

        end

        if(n(1)==2)

            t=c(1,3);

            c(1,3)=c(2,3);

            c(2,3)=t;

            t=c(1,4);

            c(1,4)=c(2,4);

            c(2,4)=t;

        end

        if(n(1)==3)

          t=c(1,4);

          c(1,4)=c(2,4);

          c(2,4)=t; 

        end

        %3,4条交配

        if(n(3)==1)

            t=c(3,1);

            c(3,1)=c(4,1);

            c(4,1)=t;

        end

        if(n(3)==2)

            t=c(3,3);

            c(3,3)=c(4,3);

            c(4,3)=t;

            t=c(3,4);

            c(3,4)=c(4,4);

            c(4,4)=t;

        end

        if(n(3)==3)

            t=c(3,4);

            c(3,4)=c(4,4);

            c(4,4)=t;

        end

    end

    %五个染色体两两交配

    if(a==[1 1 1 1 1])

    %第1,2条交配

        if(n(1)==1)

            t=c(1,1);

            c(1,1)=c(2,1);

            c(2,1)=t;

        end

        if(n(1)==2)

            t=c(1,3);

            c(1,3)=c(2,3);

            c(2,3)=t;

            t=c(1,4);

            c(1,4)=c(2,4);

            c(2,4)=t;

        end

        if(n(1)==3)

          t=c(1,4);

          c(1,4)=c(2,4);

          c(2,4)=t; 

        end

        %3,4条交配

        if(n(3)==1)

            t=c(3,1);

            c(3,1)=c(4,1);

            c(4,1)=t;

        end

        if(n(3)==2)

            t=c(3,3);

            c(3,3)=c(4,3);

            c(4,3)=t;

            t=c(3,4);

            c(3,4)=c(4,4);

            c(4,4)=t;

        end

        if(n(3)==3)

            t=c(3,4);

            c(3,4)=c(4,4);

            c(4,4)=t;

        end

        %第1,5条交配

        if(n(5)==1)

            t=c(1,1);

            c(1,1)=c(5,1);

            c(5,1)=t;

        end

        if(n(5)==2)

            t=c(1,3);

            c(1,3)=c(5,3);

            c(5,3)=t;

            t=c(1,4);

            c(1,4)=c(5,4);

            c(5,4)=t;

        end

        if(n(5)==3)

            t=c(1,4);

            c(1,4)=c(5,4);

            c(5,4)=t;

        end

    end

%变异

for i=1:5

    for j=1:4

        if rand<0.05

            c(i,j)=-5+10*rand;

        end

    end

end

%重新评价染色体适应值，更新best

Ec1=1/(c(1,1)^2+c(1,2)^2+c(1,3)^2+c(1,4)^2+1);

Ec2=1/(c(2,1)^2+c(2,2)^2+c(2,3)^2+c(2,4)^2+1);

Ec3=1/(c(3,1)^2+c(3,2)^2+c(3,3)^2+c(3,4)^2+1);

Ec4=1/(c(4,1)^2+c(4,2)^2+c(4,3)^2+c(4,4)^2+1);

Ec5=1/(c(5,1)^2+c(5,2)^2+c(5,3)^2+c(5,4)^2+1);

E=[Ec1 Ec2 Ec3 Ec4 Ec5];

x=Ec1+Ec2+Ec3+Ec4+Ec5;

pe=[Ec1/x Ec2/x Ec3/x Ec4/x Ec5/x];

[Ebest,Best]=max(E);

c(1,:)=c(Best,:);

fk(k)=Ebest;

k=k+1;

end

  x=1:N;

  y1=fk(x);

  plot(x,y1);           

       

 

 

实验分析：

迭代100次

迭代1000次

 

再次迭代1000次

迭代10000次：

 


可以看到10000次迭代效果不是很好，图像毛刺比较多。

 

实验分析

 

函数预期值为1，可以看到迭代100次，函数大体上递增，但未超过0.8；迭代1000次，函数在200次之后便达到0.9，之后在0.9到1之间，更贴近1。再次执行1000次，函数图形大体和之前吻合。迭代10000出现明显震荡。可以得出结论，1000次迭代能够得到较为理想的实验结果。

时间方面：

经过多次试验，1000次迭代，在一秒内完成。

精度方面：

函数值存在震荡，且存在局部收敛，尽管能提供关于最佳值的信息，但精度不高。

 

实验总结：

 

这次遗传算法实验花费时间最多，屡次得不到好的结果，最终在课本例程基础上添加了改动，让最优秀的染色体复制一条取代第一条染色体，迭代效果才差强人意。

个人认为，尽管得到了一定精度的收敛结果，该算法在解决该问题时表现的还不够优秀，具体表现为不够快，不够准。思考原因，问题出在轮盘赌和种群大小上。

从轮盘赌的实现机制看，较优的染色体被选中的概率较大，但由于选择的随机性，当前较差的染色体也具有一定的生存空间。

另一方面，变异是遗传算法中优秀基因的根本来源，然而变异是随机的，得到“好基因”或“坏基因”不以人的意志为转移，除非进化过程中物种保存下来的“好基因”数目多于变异产生的“坏基因”数目———这也是需要轮盘赌体现的实际意义——种群整体适应值才会提高，否则进化是失败的，种群将被淘汰，如果希望函数值至少为0.9，即1/(5*x^2+1)>=0.9，解得“好基因”值区间约为【-0.15，0.15】，该算法变异率设定为0.1，x取值为【-5,5】，那么要想得到”好基因“的概率是0.1*0.3/10=0.3%，即千分之三，如此低的概率下，还存在一个仁慈的轮盘赌，随时可能漏选”好基因“而给”坏基因“留下生存空间。想要进化并提高适应值，这在只有5个个体的种群中是难以想象的。

最后本次实验加强了我对遗传算法机制的理解，但是在该问题求解方面是不能让人满意的，今后可以继续探索更合适的算子选择机制，或合理的种群大小。

 

完成日期：2017.6.1

当年的计算智能课作业

Li03
关注
  • 10
    点赞
  • 踩
  • 35
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
遗传算法+matlab+原理介绍+示例源码
03-03
遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向（最优解）进化，进化过程中，会自动选择优良基因，淘汰劣等基因。 遗传算法（英语：genetic algorithm (GA) ）是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择、杂交等。 遗传算法的一般步骤 my_fitness函数 评估每条染色体所对应个体的适应度 升序排列适应度评估值，选出 前 parent_number 个 个体作为 待选 parent 种群（适应度函数的值越小越好） 从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。 抽取父母双方的染色体，进行交叉，产生 2 个子代。（交叉概率） 对子代（parent + 生成的 child）的染色体进行变异。（变异概率） 重复3,4,5步骤，直到新种群（parent_number + child_number）的产生。 循环以上步骤直至找到满意的解。 本资源包含遗传算法+matlab+原理介绍+示例源码
遗传算法及其MATLAB实现(附完整代码)
corn1949的博客
06-21 9463
(9)根据解得到的目标函数对染色体进行选择, 这个选择的操作方法也是比较关键的, 这里面体现了进化论的思想, 也即适者生存, 或者适者被选中的概率更大, 久而久之,随着迭代的进行, 适应性更好的染色体会存活下来, 最后得到的是较优解, 当然如果迭代次数够充分, 种群数够大, 往往是可以得到理论最优解的, 但并不能保证你得到.,0.6,1.0,0.4], 完全均匀随机产生, 见染色体函数mygenchrome.m.N=5, 上下限维[0,1]区间, 则一个合法的染色体可表示为[0.1,
MATLAB数学建模——遗传算法
wjw_154378的博客
02-25 364
【代码】MATLAB数学建模——遗传算法。
如何使用遗传算法在MATLAB中高效解决设施选址问题：完整的步骤指南和项目代码解析
qq_38334677的博客
08-27 491
在当今的商业和工程领域中，设施选址问题是一个常见的优化问题。这个问题涉及到在一个地理区域内选择最佳的位置来建设一或多个设施，以达到某种特定的目标，如最小化成本、最大化覆盖范围等。遗传算法，作为一种启发式搜索算法，因其灵活性和高效性而被广泛应用于解决此类问题。MATLAB，作为一种强大的数值计算工具，为我们提供了一个方便的平台，用于实现和测试遗传算法。在本文章中，我们将介绍如何在MATLAB中使用遗传算法来解决设施选址问题。
遗传算法（附简单案例及matlab详细代码）
你的问题在于，读书太少而想得太多。
06-04 1280
10分钟彻底学会遗传算法！（附典型案例及matlab详细代码）
遗传算法详解及matlab代码
m0_73236046的博客
09-06 806
遗传算法 Matlab
基于Matlab实现遗传算法（附上50个案例源码）
m0_62143653的博客
03-20 2万+
基于Matlab实现遗传算法（附上50个案例源码）
遗传算法原理以及matlab代码
stm8151k4的博客
09-02 1万+
1.遗传算法原理讲解 2.matlab代码实现流程讲解 3.提供完整代码 代码 MATLAB my_ga.m(主函数) init.m(初始化函数) fittest.m(选择优秀父代个体) crossover.m （交叉遗传） mutation.m （变异） select.m （筛选出下一代种群，锦标赛选择法） plot_ga.m （画图，显示优化过程） best.m （迭代完成后，显示最优解以及最优方案）
阿白数模笔记之遗传算法（genetic algorithm）MATLAB代码详解
m0_73804671的博客
03-09 1049
阿白数模笔记之遗传算法（genetic algorithm）MATLAB代码详解
详解遗传算法（含MATLAB代码）
热门推荐
小草莓的魔法笔记
05-29 24万+
目录 一、遗传算法概述 二、遗传算法的特点和应用 三、遗传算法的基本流程及实现技术 3.1 遗传算法的基本流程 3.2 遗传算法的实现技术 1.编码 2.适应度函数 3.选择算子 4.交叉算子 5.变异算子 6.运行参数 四、遗传算法的基本原理 4.1 模式定理 4.2 积木块假设 五、遗传算法编程实例（MATLAB） 一、遗传算法概述 遗传算法（...
完整的matlab遗传算法代码
05-05
完整的matlab遗传算法代码，包含详细的注释和说明，适合新手
遗传算法matlab代码实现.zip
04-04
资源提供了遗传算法（GA）的matlab的代码实现，其中按照遗传算法流程图，代码结构按照流程顺序，被划分为不同的独立模块，代码中以求非线性函数最大值为例，通过修改此代码可实现常见的优化问题求解。
遗传算法Matlab代码
12-14
遗传算法Matlab代码，含详细注释，适合初学者
yichuansuanfa_遗传算法matlab代码_
10-02
遗传算法基础，主要供遗传算法的初学者使用、学习。
遗传算法MATLAB代码
05-17
SGA遗传算法在matlab软件中的应用详解，包含交叉、变异、选择等代码
自适应遗传算法matlab代码,matlab自带遗传算法,matlab
09-10
自适应遗传算法matlab代码，效果很好，可以参考使用。
遗传算法matlab代码实现
12-11
遗传算法matlab代码，有详细说明，适合新手看。实现步骤简单。
神经网络与量子计算的交叉研究.pptx
最新发布
04-19
神经网络与量子计算的交叉研究.pptx

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值