遗传算法学习笔记01

最新推荐文章于 2024-01-23 14:40:40 发布

HENU_小赵

最新推荐文章于 2024-01-23 14:40:40 发布

阅读量377

点赞数 2

文章标签：算法

本文链接：https://blog.csdn.net/weixin_43186732/article/details/120661484

版权

本文介绍了遗传算法的基本原理和在MATLAB中的应用，包括编码、适应度函数和遗传操作。作者通过编写MATLAB代码实现了一个寻找函数最值的问题，并介绍了谢菲尔德大学遗传算法工具箱的使用。遗传算法通过模拟生物进化过程，逐步逼近最优解，展示了其在全局优化问题中的潜力。

摘要由CSDN通过智能技术生成

　　遗传算法作为一种成熟的寻优算法，在许多问题的求解过程中都可以运用。本人作为一个小白型研究生，对遗传算法由刚开始的茫然无知，后经过两周时间的学习之后，对其终于可见冰山一角。体会到了学习的快乐是“学以致用”，体会到了一段好的程序是内容优美逻辑严谨的诗歌！

　　遗传算法的理论基础相对简单，具备高中的生物学知识即可快速入门。遗传算法是一种模拟自然界生物进化的全局寻优算法，该算法可以经过有限次计算后给出函数的最优解。那么，该算法为什么可以实现这个功能呢？通过理论学习和MATLAB编程代码仿真，我认为该算法能实现问题寻优的核心思想有两点：

算法的每次迭代都可以保证子代种群优于上一代种群，即该种群比上一代种群更逼近最优解。对应了遗传进化理论中的“物竞天择，适者生存”的遗传学观点。
算法在保证每次迭代出的种群都优于上一代的情况下，经过有限多次的迭代，便可以在很大程度上逼近最优解。

所以，准确地说，遗传算法求得的问题最优解，只能说在概率问题上很大程度是最优解。

　　下面的段落将叙述三个方面的内容：

遗传算法的基本框架和遗传操作；
用遗传算法求解函数最值的思路和详细的MATLAB代码注释；
谢菲尔德大学遗传算法工具箱简介；

遗传算法的理论基础

　　遗传算法的逻辑流程图和遗传操作步骤网上比比皆是，在此不再赘述。在此，我想谈一谈自己关于每个步骤的理解，如果有不足和错误之处，欢迎留言评论指正。

关于编码

　　遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的解集合。

关于适应度函数

　　适应度函数是为“物竞天择，适者生存”的选择机制提供量化参考指标；空间中的解所对应的适应度值越大，表示该解越趋近最优解。

关于遗传操作（选择，交叉，变异）

　　这些操作的基本概念是好理解的，然而，用算法将其表示出来并非易事。它需要良好的C/C++语言基础和算法思维能力。例如，我们该如何完成一个染色体的变异操作？在MATLAB中，我们可以调用rand（）随机生成变异点，再调用rand（）对该点随机生成一个同进制数。这样便完成了变异操作。

用遗传算法求函数最值的MATLAB仿真代码

clear
clc
close all

f = @(x)sin(x) + x .* cos(x);   % 函数表达式
ezplot(f, [0,5*pi])             % 画出函数图像

ger = 50;                        % 迭代次数
N = 30;                          % 种群个体数目
L = 5;                           % 基因长度
pc = 0.8;                        % 交叉概率
pm = 0.01;                       % 变异概率
dco = [10000; 1000; 100; 10 ;1]; % 解码器
dna = randi([0, 9], [N, L]);     % 初始化基因，dna为【30*5】矩阵
hold on
x = dna * dco / 99999 * 5 * pi;  % 对初始种群解码
plot(x, f(x),'ko','linewidth',3) % 画出初始解的位置

x1 = zeros(N, L);                % 初始化子代基因
x2 = x1;                         % 同上，x1和x2用于存放交叉后的新个体
x3 = x1;                         % 同上，x3用于存放变异后的新个体
fi = zeros(N, 1);                % 初始化适应度

for epoch = 1: ger               % 进化代数为50
    for i = 1: N                 % 交叉操作
        if rand < pc
           d = randi(N);            % 确定另一个交叉的个体
           m = dna(d,:);            % 将另一个交叉的个体向量赋给m
           d = randi(L-1);          % 确定交叉断点
           x1(i,:) = [dna(i,1:d), m(d+1:L)];  % 新个体 1        
           x2(i,:) = [m(1:d), dna(i,d+1:L)];  % 新个体 2
        end
    end
    x3 = dna;
    for i = 1: N                           % 变异操作
        if rand < pm
            x3(i,randi(L)) = randi([0, 9]);
        end
    end
    dna = [dna; x1; x2; x3];          % 合并新旧基因，注意 等号左侧的dna已升维为120*5的矩阵
    fi = f(dna * dco / 99999 * 5 * pi);    % 计算适应度
    dna = [dna, fi];
    dna = flipud(sortrows(dna, L + 1));    % 对适应度进行排名，调用sortrows和flipud完成排序
    while size(dna, 1) > N                 % 自然选择
        d = randi(size(dna, 1));           % 排名法
        if rand <(d - 1) / size(dna, 1)
            dna(d,:) = [];
            fi(d, :) = [];
        end
    end
    dna = dna(:, 1:L);
end
x = dna * dco / 99999 * 5 * pi;            % 对最终种群解码
plot(x, f(x),'ro','linewidth',3)           % 画出最终解的位置
disp(['最优解为x=',num2str(x(1))]);
disp(['最优值为y=',num2str(fi(1))]);