fprintf函数的用法matlab_工程优化设计与Matlab实现——混合遗传算法求解多维问题...

在本篇中，我们介绍一种梯度法与基本遗传算法结合的混合遗传算法，并将之前的遗传算法解决一维问题，推广到解决多维问题。

混合遗传算法

本混合遗传算法对基本遗传算法作出了两点修正

• 修正选择操作
• 增加了交叉前的预处理

Part 1 对选择操作的修正

在基本遗传算法中，我们使用轮盘赌法根据比例确定优胜个体；而在混合遗传算法中，我们按以下公式进行：

• 定义
  的适应度（函数）为：

其含义为

的函数值与种群内最大函数值的差距，如果

的函数值越小，则适应度函数值越大，适应度越好。

• 则种群中的最大适应度：

• 我们更新个体的公式为：

上式类似于一般优化算法中的更新迭代式

，其中

可以视为方向，其系数可以视为步长。则上式就可以理解为，个体

朝向

的方向（

与

的连线方向），根据其适应度比例调整步长，更新个体

。

也就是说我们朝向当前种群中函数值下降最大的方向更新

，这样有利于提高遗传算法的局部搜索性能。

另外 ，需要注意的是，为了避免分母为0，我们加入判断条件，如果

与

函数值之差（即最大适应度）小于精度要求，则退出循环。

Part 2 交叉操作前的预处理

在基本遗传算法的交叉计算中，我们将相邻两个染色体的依照随机确定的定位点进行基因交换。而在混合遗传算法中，我们将个体顺序打乱后再进行交叉。这样一方面可以使个体在遗传过程中机会均等，；另一方面也可以增加每个个体的优势。

Part 3 混合遗传算法解决一维问题

混合遗传算法只是在基本遗传算法的基础上做了一点修改，只需要对之前AirHead：工程优化设计与Matlab实现——基本遗传算法求解一维问题中的程序进行一些细微修改即可。（修改后的代码见Part5）

Part 4 混合遗传算法解决多维问题

回顾一下之前生物遗传的迭代图，其二维情况如下。

二维问题与一维问题的唯一不同在于，每一个个体有两个染色体，两个个体交叉产生下一代时需要两个对应的染色体都进行交叉。为了实现交叉，我们需要对其都进行编码操作。也就是说，我们要对两个染色体进行编码、交叉、变异、解码。其他均与一维问题一致。

Part 5 混合遗传算法栗子

Point 1 混合遗传算法求一维问题

利用混合遗传算法求

的极小值点

目标函数定义：

function

一维混合遗传算法求解：

%----------求函数极小值----------%

求解结果：

Point 2 混合遗传算法求多维问题

利用混合遗传算法求

其中

的极小值点

目标函数定义：

function

多维混合遗传算法求解：

%----------求函数极小值----------%

计算结果：