matlab 遗传算法工具箱函数及实例讲解
核心函数:
(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--
初始种群的生成函数
【输出参数】
pop--生成的初始种群
【输入参数】
num--种群中的个体数目
bounds--代表变量的上下界的矩阵
eevalFN--适应度函数
eevalOps--传递给适应度函数的参数
options-- 选择编码形式( 浮点编码或是二进制编码)[precision
F_or_B],如
precision--变量进行二进制编码时指定的精度
F_or_B--为1 时选择浮点编码,否则为二进制编码,由precision
指定精度)
(2)function[x,endPop,bPop,traceInfo]=ga(bounds,evalFN,evalOps,star
tPop,opts,...
termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutO
ps)--遗传算法函数
【输出参数】
x--求得的最优解
endPop--最终得到的种群
bPop--最优种群的一个搜索轨迹
【输入参数】
bounds--代表变量上下界的矩阵
evalFN--适应度函数
evalOps--传递给适应度函数的参数
startPop-初始种群
opts[epsilon prob_ops display]--opts(1:2)等同于initializega 的
options 参数,第三个参数控制是否输出,一般为0。如[1e-6 1 0]
termFN--终止函数的名称,如['maxGenTerm']
termOps--传递个终止函数的参数,如[100]
selectFN--选择函数的名称,如['normGeomSelect']
selectOps--传递个选择函数的参数,如[0.08]
xOverFNs-- 交叉函数名称表, 以空格分开, 如['arithXover
heuristicXover simpleXover']
xOverOps--传递给交叉函数的参数表,如[2 0;2 3;2 0]
mutFNs-- 变异函数表, 如['boundaryMutation
multiNonUnifMutation nonUnifMutation unifMutation']
mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0
0]
注意】matlab 工具箱函数必须放在工作目录下
【问题】求 f(x)=x+10*sin(5x)+7*cos(4x)的最大值,其中0<=x<=9
【分析】选择二进制编码,种群中的个体数目为10,二进制编码长
度为20,交叉概率为0.95,变异概率为0.08
【程序清单】
%编写目标函数
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函数存储为test.m 文件并放在工作目录下
initPop=initializega(10,[0 9],'test');%生成初始种群,大小为10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1
1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25 次遗传
迭代
运算借过为:x =
7.8562 24.8553(当x 为7.8562 时,f(x)取最大值24.8553)
注:遗传算法一般用来取得近似最优解,而不是最优解。另外遗传算
法的收敛性跟其初始值有关,大家运行上面的命令所得到的借过可能
跟我的借过不同或是差别很大。但多执行几次上面的命令(随即取不
同的初始群体)一定可以得到近似最优解。