python多元函数求极小值_使用遗传算法求二元函数的最小值

二元函数为y=x1^2+x2^2,x∈[-5,5]

NIND=121; %初始种群的个数(Number of individuals)

NVAR=2; %一个染色体(个体)有多少基因

PRECI=20; %变量的二进制位数(Precision of variables)

MAXGEN=200; %最大遗传代数(Maximum number of generations)

GGAP=0.8; %代沟(Generation gap)，以一定概率选择父代遗传到下一代

trace=zeros(MAXGEN,2); %寻优结果的初始值

Chrom=crtbp(NIND,PRECI*NVAR); %初始种群

%区域描述器(Build field descriptor)

%确定每个变量的二进制位数，取值范围，及取值范围是否包括边界等。

FieldD=[rep([PRECI],[1,NVAR]);rep([-5;5]，[1,NVAR]);rep([1;0;1;1],[1,NVAR])];

Objv=objfun(bs2rv(Chrom,FieldD))

gen=1; %代计数器

while gen<=MAXGEN

Fitv=ranking(Objv); %分配适应度值(Assign fitness values)

SelCh=select('sus',Chrom,Fitv,GGAP); %选择

SelCh=recombin('xovsp',SelCh,1); %重组

SelCh=mut(SelCh); %变异

ObjVSel=objfun(bs2rv(SelCh,FieldD));%子代个体的十进制转换

%重插入子代的新种群

[Chrom,Objv]=reins(Chrom,SelCh,1,1,Objv,ObjVSel);

trace(gen,1)=min(Objv); %遗传算法性能跟踪

trace(gen,2)=sum(Objv)/length(Objv);

gen=gen+1; %代计数器增加

end

plot(trace(:,1));

hold on

plot(trace(:,2),'.')

grid

legend('最优解的变化','解的平均值的变化')

根据上面的求解模型，可以写出模型的.M文件如下，即适应度函数

% OBJFUN.M

% Syntax: ObjVal = objfun1(Chrom,rtn_type)

%

% Input parameters:

% Chrom