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(