number最大长度_遗传算法解多峰函数Shubert的最大值(适合初学者的详解)

题目如下：用遗传算法求该Shubert函数在[-10,10]*[-10,10]上的最大值

采用谢菲尔德大学的遗传算法工具箱，matlab代码如下：

number_population=500;%种群规模：个体个数

number_generations=100;%最大遗传代数

number_variable=2;%变量个数

length_chromosome=20;%染色体长度，即每个个体由多少个字符编码

gap=0.9;%代沟：一个群体中有90%的个体会被选择、交叉、变异等，剩余的10%直接复制到下一代

sub=-10;%变量取值范围的下界

up=10;%变量取值范围的上界

select_code_gray=1;%是否使用格雷编码：1 使用、0 不使用

select_log=0;%是否使用对数标度：1 使用、0 不使用

trace=zeros(number_generations,2);%记录迭代轨迹：第一列记录某一代群体中的最优解，第二列记录某一代的平均值

fieldd=[rep([length_chromosome],[1,number_variable]);rep([sub;up],[1,number_variable]);rep([1-select_code_gray;select_log;1;1],[1 number_variable])];%区域描述器，

%rep函数：矩阵复制函数，如rep（A，[3,5])表示将A在竖直方向复制为原来的3倍，在水平方向复制为原来的5倍

%第一个参数表示编码长度的矩阵，第二个参数表示变量取值范围的矩阵，第三个参数表示是否使用格雷编码，以及是否使用

%对数标度,1;1表示变量的取值范围为闭区间，0表示为开区间

chromosome=crtbp(number_population,length_chromosome*number_variable);%初始化生成种群，第一个参数为个体数量，第二个参数为编码长度以及变量个数

%不同变量的编码拼接为一个向量

k_generations=0;%初始化代数

x=bs2rv(chromosome,fieldd);%编码向实数的解码

fun_v=fun_mutv(x(:,1),x(:,2));%计算不同表现型下的目标函数值

[tx,ty]=meshgrid(-10:0.01:10);

mesh(tx,ty,fun_mutv(tx,ty));

xlabel('x');

ylabel('y');

zlabel('z');

title('多元函数优化结果');

hold on

while k_generations<number_generations

fit_v=ranking(-opt_minmax*fun_v);%计算不同个体的适应度，参数为正则适应度随目标函数值的增大而减小

%参数为负则适应度随目标函数的增大而增大，所以这里采用负的参数

select_chromosome=select('rws',chromosome,fit_v,gap);%‘rws’为轮盘赌选择法，这里选择父代的90%进行选择、交叉、变异

select_chromosome=recombin('xovsp',select_chromosome);%‘xovsp'单点交叉

select_chromosome=mut(select_chromosome);%变异

x=bs2rv(select_chromosome,fieldd);%解码

fun_v_sel=fun_mutv(x(:,1),x(:,2));%计算子代的目标函数值

fit_v_sel=ranking(-fun_v_sel);%计算子代的适应度

[chromosome,fun_v]=reins(chromosome,select_chromosome,1,1,opt_minmax*fun_v,opt_minmax*fun_v_sel);%将父代中gap部分的子代以及

%非gap部分组合成一个新的种群，第一个参数为原始父代种群，第二个参数为经过选择的子代种群，第三个参数为生成的

%子代群体数量，第四个参数表示基于适应度的筛选方法，第五个参数为父代目标函数值，第六个参数为gap部分子代的目标函数值

[fmax,id]=max(fun_v);%f为fun_v中的最大值，id对应相应的行列数

x=bs2rv(chromosome(id,:),fieldd);%用标记后的最大值解码

plot3(x(1,1),x(1,2),fmax,'*');%画图

hold on

k_generations=k_generations+1;

trace(k_generations,1)=fmax;%记录每一代中最大的目标函数值

trace(k_generations,2)=mean(fun_v);%记录每一代目标函数值的平均水平

end

figure

plot(trace(:,1),'r-*');

hold on

plot(trace(:,2),'b-o');

legend('各子代种群最优解','各子代种群平均值');

xlabel('迭代次数');

ylabel('目标函数优化情况');

title('多元函数优化过程');

计算结果如下：

本人为初学者，若有不当之处欢迎大家斧正！