遗传算法

最新推荐文章于 2020-12-25 18:45:06 发布

阅读量3.1k

点赞数

本文链接：https://blog.csdn.net/weixin_42649744/article/details/103153836

版权

文章目录

- - 遗传算法

遗传算法

一概述

遗传算法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、自然选择以及杂交等。遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。

二算法步骤

基本遗传算法的基本步骤是：

随机产生种群，
用轮盘赌策略确定个体的适应度，判断是否符合优化准则，若符合，输出最佳个体及其最优解，结束，否则，进行下一步
依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体被淘汰
按照一定的交叉概率和交叉方法，生成新的个体
按照一定的变异概率和变异方法，生成新的个体
由交叉和变异产生新一代种群，返回步骤2

三算法代码

3.1 %连点画图函数 plot_route.m

function plot_route(a,R)
scatter(a(:,1),a(:,2),'rx');
hold on;
plot([a(R(1),1),a(R(length(R)),1)],[a(R(1),2),a(R(length(R)),2)]);
hold on;
for i=2:length(R)
    x0=a(R(i-1),1);
    y0=a(R(i-1),2);
    x1=a(R(i),1);
    y1=a(R(i),2);
    xx=[x0,x1];
    yy=[y0,y1];
    plot(xx,yy);
    hold on;
end

3.2 %染色体的路程代价函数 mylength.m

function len=myLength(D,p)%p是一个排列
[N,NN]=size(D);
len=D(p(1,N),p(1,1));
for i=1:(N-1)
    len=len+D(p(1,i),p(1,i+1));
end
end

3.3 %对调函数 exchange.m

function [x,y]=exchange(x,y)
temp=x;
x=y;
y=temp;

end

3.4 %适应度函数fit.m，

每次迭代都要计算每个染色体在本种群内部的优先级别，类似归一化参数。越大约好！

function fitness=fit(len,m,maxlen,minlen)
fitness=len;
for i=1:length(len)
    fitness(i,1)=(1-(len(i,1)-minlen)/(maxlen-minlen+0.0001)).^m;
end

3.5 %变异函数 Mutation.m

function a=Mutation(A)
index1=0;index2=0;
nnper=randperm(size(A,2));
index1=nnper(1);
index2=nnper(2);
%fprintf('index1=%d ',index1);
%fprintf('index2=%d ',index2);
temp=0;
temp=A(index1);
A(index1)=A(index2);
A(index2)=temp;
a=A;

end

3.6 主函数 main.m

%main
clear;
clc;
%%%%%%%%%%%%%%%输入参数%%%%%%%%
N=25;               %%城市的个数
M=100;               %%种群的个数
ITER=2000;               %%迭代次数
%C_old=C;
m=2;                %%适应值归一化淘汰加速指数
Pc=0.8;             %%交叉概率
Pmutation=0.05;       %%变异概率
%%生成城市的坐标
pos=randn(N,2);
%%生成城市之间距离矩阵
D=zeros(N,N);
for i=1:N
    for j=i+1:N
        dis=(pos(i,1)-pos(j,1)).^2+(pos(i,2)-pos(j,2)).^2;
        D(i,j)=dis^(0.5);
        D(j,i)=D(i,j);
    end
end

%%生成初始群体

popm=zeros(M,N);
for i=1:M
    popm(i,:)=randperm(N);%随机排列，比如[2 4 5 6 1 3]
end
%%随机选择一个种群
R=popm(1,:);
figure(1);
scatter(pos(:,1),pos(:,2),'rx');%画出所有城市坐标
axis([-3 3 -3 3]);
figure(2);
plot_route(pos,R);      %%画出初始种群对应各城市之间的连线
axis([-3 3 -3 3]);
%%初始化种群及其适应函数
fitness=zeros(M,1);
len=zeros(M,1);

for i=1:M%计算每个染色体对应的总长度
    len(i,1)=myLength(D,popm(i,:));
end
maxlen=max(len);%最大回路
minlen=min(len);%最小回路

fitness=fit(len,m,maxlen,minlen);
rr=find(len==minlen);%找到最小值的下标，赋值为rr
R=popm(rr(1,1),:);%提取该染色体，赋值为R
for i=1:N
    fprintf('%d ',R(i));%把R顺序打印出来
end
fprintf('\n');

fitness=fitness/sum(fitness);
distance_min=zeros(ITER+1,1);  %%各次迭代的最小的种群的路径总长
nn=M;
iter=0;
while iter<=ITER
    fprintf('迭代第%d次\n',iter);
    %%选择操作
    p=fitness./sum(fitness);
    q=cumsum(p);%累加
    for i=1:(M-1)
        len_1(i,1)=myLength(D,popm(i,:));
        r=rand;
        tmp=find(r<=q);
        popm_sel(i,:)=popm(tmp(1),:);
    end 
    [fmax,indmax]=max(fitness);%求当代最佳个体
    popm_sel(M,:)=popm(indmax,:);

    %%交叉操作
    nnper=randperm(M);
%    A=popm_sel(nnper(1),:);
 %   B=popm_sel(nnper(2),:);
    %%
    for i=1:M*Pc*0.5
        A=popm_sel(nnper(i),:);
        B=popm_sel(nnper(i+1),:);
        [A,B]=cross(A,B);
  %      popm_sel(nnper(1),:)=A;
  %      popm_sel(nnper(2),:)=B; 
         popm_sel(nnper(i),:)=A;
         popm_sel(nnper(i+1),:)=B;
    end

    %%变异操作
    for i=1:M
        pick=rand;
        while pick==0
             pick=rand;
        end
        if pick<=Pmutation
           popm_sel(i,:)=Mutation(popm_sel(i,:));
        end
    end

    %%求适应度函数
    NN=size(popm_sel,1);
    len=zeros(NN,1);
    for i=1:NN
        len(i,1)=myLength(D,popm_sel(i,:));
    end

    maxlen=max(len);
    minlen=min(len);
    distance_min(iter+1,1)=minlen;
    fitness=fit(len,m,maxlen,minlen);
    rr=find(len==minlen);
    fprintf('minlen=%d\n',minlen);
    R=popm_sel(rr(1,1),:);
    for i=1:N
        fprintf('%d ',R(i));
    end
    fprintf('\n');
    popm=[];
    popm=popm_sel;
    iter=iter+1;
    %pause(1);

end
%end of while

figure(3)
plot_route(pos,R);
axis([-3 3 -3 3]);
figure(4)
plot(distance_min);

四代码运行结果

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Qo1NQNoP-1574178412508)(C:\Users\59287\Desktop\1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2lgIWBIh-1574178412509)(C:\Users\59287\Desktop\2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-35wisl9j-1574178412511)(C:\Users\59287\Desktop\3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-gFIQM2nc-1574178412512)(C:\Users\59287\Desktop\4.PNG)]

五不同参数对实验结果的影响

5.1 改变迭代次数

ITER=1500;

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-DxZCBnfM-1574178412513)(C:\Users\59287\Desktop\2.1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bPEgWp9K-1574178412514)(C:\Users\59287\Desktop\2.2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HjooR2gx-1574178412516)(C:\Users\59287\Desktop\2.2 (2)].PNG)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VnCmVHW8-1574178412517)(C:\Users\59287\Desktop\1.PNG)]

ITER=2500

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-XaWCIPGY-1574178412518)(C:\Users\59287\Desktop\1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LCYRGVcC-1574178412519)(C:\Users\59287\Desktop\2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-z54bePdC-1574178412519)(C:\Users\59287\Desktop\3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LjFUXFDN-1574178412520)(C:\Users\59287\Desktop\4.PNG)]

由图可知算法迭代次数一般越大越好，但是也不宜太大，应当选取适合当前数据量的迭代次数即可。迭代次数过多，势必会降低算法的运行效率。若迭代次数过少，会直接导致算法的失败

5.2 改变交叉概率

Pc=0.5

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ag7tuvOd-1574178412522)(C:\Users\59287\Desktop\2.1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-HMGvPhMR-1574178412522)(C:\Users\59287\Desktop\2.2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-hbVm9JWd-1574178412523)(C:\Users\59287\Desktop\2.3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-nj1GKyTf-1574178412525)(C:\Users\59287\Desktop\2.4.PNG)]

Pc=1.0

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-VgEsEgz9-1574178412526)(C:\Users\59287\Desktop\3.1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-2jv5dxL4-1574178412526)(C:\Users\59287\Desktop\3.2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-kJ1v9fYG-1574178412527)(C:\Users\59287\Desktop\3.3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-tNBXQM5Z-1574178412528)(C:\Users\59287\Desktop\3.4.PNG)]

当Pc为1.0时，算法的收敛速度很快，可以得出较差概率影响着算法的运行效率，但对得出的最优值不能保证其最优性。Pc的取值一般为0.4~0.99。

5.3 改变种群个数

M=50

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-xudW63ie-1574178412533)(C:\Users\59287\Desktop\4.1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8fNL9zg7-1574178412534)(C:\Users\59287\Desktop\4.2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-9XIg96nN-1574178412535)(C:\Users\59287\Desktop\4.3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ypmLZWj1-1574178412536)(C:\Users\59287\Desktop\4.4.PNG)]

M=150

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-bWsN5v6E-1574178412536)(C:\Users\59287\Desktop\1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-aZsJuhom-1574178412537)(C:\Users\59287\Desktop\2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7wumjQhW-1574178412538)(C:\Users\59287\Desktop\3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-JBZzreZM-1574178412538)(C:\Users\59287\Desktop\4.PNG)]

种群规模是指任意一代中的个体总数，这个是人为设定的，种群规模越大越可能找到全局解，但运行时间也相对较长，一般在40-100之间取值

5.4 改变变异概率

Pmutation=0.01

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NDGwUuZx-1574178412539)(C:\Users\59287\Desktop\2.1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vxTol7J2-1574178412539)(C:\Users\59287\Desktop\2.2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-J4rG3jXL-1574178412540)(C:\Users\59287\Desktop\2.3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-YAFxv67S-1574178412540)(C:\Users\59287\Desktop\2.4.PNG)]

Pmutation=0.08

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-BsbMGmFG-1574178412541)(C:\Users\59287\Desktop\3.1.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-mIgrD4ZW-1574178412541)(C:\Users\59287\Desktop\3.2.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Ac1VJufL-1574178412542)(C:\Users\59287\Desktop\3.3.PNG)]

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SSmrO6Av-1574178412543)(C:\Users\59287\Desktop\3.4.PNG)]

变异率的选取一般受种群大小、染色体长度等因素的影响，通常选取很小的值，一般取0.001-0.1。

六算法不足之处

(1)编码不规范及编码存在表示的不准确性。

(2)单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加。

(3)遗传算法通常的效率比其他传统的优化方法低。

(4)遗传算法容易过早收敛。

(5)遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。

78412541)]

[外链图片转存中…(img-Ac1VJufL-1574178412542)]

[外链图片转存中…(img-SSmrO6Av-1574178412543)]