5. 遗传算法实例
参考文献:
1.《遗传算法原理及应用》
2.https://www.cnblogs.com/LoganChen/p/7509702.html
求下列二元函数的最大值:
运算过程如下:
(1)个体编码
将x1,x2的定义域编码为一种符号串,该例题使用二进制编码。将编码后的x1,x2连接在一起形成个体的基因型。
例如:基因型 X = 100 010
其表现型 x = [4,2]
基因型与表现型可通过解码程序与编码程序相互转换。
(2)初始群体产生
本例中,选取初始群体为4,实际使用中应远远大于4。随机产生的群体如下:
(3)适应度计算
适应度大小决定了该个体的优劣程度,从而决定其遗传机会的大小。由于目标函数总是非负数,因此可直接选取目标函数的函数值作为个体的适应值。
对初始群体解码后计算得出:
(4)选择运算
运用了轮盘选择的原理,不懂的可以看我上一篇文章。
选择的具体操作过程如下:
计算出群体中所有个体的适应度总和;
其次计算出每个个体的相对适应度;
结果即为该个体遗传到下一代的概率:
;
由上图可见,全部概率值之和位1.这之后再随机且顺序产生4个0<= x <= 1之间的数,依据该随机数出现的区间来选择个体。
选择结果如下:
(5)交叉运算
首先说明,交叉以及变异全部都是概率事件,他是可能不发生的,实例中为了方便大家理解,使交叉与变异全部发生。
本例的交叉运算使用单点交叉方法。其原理如图:
具体操作过程是:先对群体进行随机配对,其次随机设置交叉点位置,这之后进行交叉运算:
(6)变异运算:
本例中,采用基本位变异的方法,其原理如下:
与交叉运算相同,变异点的选择同样是概率事件,这里为了方便所有个体都进行了变异。随机选择变异点后,变异结果如下:
经过了上面6个步骤后,得到了新的子代群体:
这之后根据我们设置的算法停止条件,例如迭代200次,判断算法是否继续进行,若进行则回到第3步进行循环计算:
否则,输出子代群体中是适应度最大的解码答案。
整个运算过程如下表所示:
6. 基本遗传算法原理解释
根据上述实例,我们对遗传算法的基本运算过程有了简单理解。接下来我们通过Matlab来实现计算机计算。
我们将实例计算的6个过程转换为流程图,如下所示:
计算实例中的函数最大值:
不过此时x1与x2的定义域为[0,10]。
我们选择0.01的精度
精度计算原理如下:
计算结果为:
L1 = 10
L2 = 10
L = L1 + L2 = 20
因此我们可以了解,当二进制位数为10的时候,可以满足我们要求的0.01的精度。
解释:我们所谓的编码过程其实是计算长度的过程,我们不需要将定义域的十进制数转换为二进制数进行计算,只需要获得个体的总长度就行,因为遗传算法在计算过程中是利用个体基因进行计算的。
当我们得到二进制长度后,就需要一个方法将二进制数转换为十进制数,解码方法就来了,原理如下:
x1 = 10*X/(2^L - 1);
x2 = 10*X/(2^L - 1);
这里的X理解为二进制数转换为十进制数之后的数值(理解:此时X的十进制数与我们所求的十进制数不同)。
7.Matlab代码实现
代码中将会用的名词及其解释:
名词 | 解释 |
---|---|
chromlength | 二进制编码长度 |
popsize | 种群大小 |
pc | 交叉概率 |
pm | 变异概率 |
pop | 种群 |
fitvalue | 适应度值 |
bestindividual | 最优个体 |
bestfit | 最佳适应度值 |
代码中将会用到的文件名及其功能:
文件名 | 功能 |
---|---|
main.m | 遗传算法框架 |
initpop.m | 二进制种群生成 |
cal_objvalue.m | 适应度计算 |
selection.m | 选择 |
crossover.m | 交叉 |
mutation.m | 变异 |
best.m | 求最优解 |
binary2decimal.m | 二进制转十进制 |
(1)main.m:
function main()
clear;
clc;
%种群大小
popsize=500;
%二进制编码长度,这里填计算出来的L值
chromlength=20;
%交叉概率
pc = 0.6;
%变异概率
pm = 0.05;
%初始种群
pop = initpop(popsize,chromlength);
for i = 1:1000
%计算适应度值(函数值)
objvalue = cal_objvalue(pop);
fitvalue = objvalue;
%选择操作
newpop = selection(pop,fitvalue);
%交叉操作
newpop = crossover(newpop,pc);
%变异操作
newpop = mutation(newpop,pm);
%更新种群
pop = newpop;
%寻找最优解
[bestindividual,bestfit] = best(pop,fitvalue);
bsi1 = bestindividual( :, 1:1:chromlength/2);
bsi2 = bestindividual( :, chromlength/2 + 1:1:end);
popA = newpop( :, end:-1:chromlength/2 + 1);
popB = newpop( :, chromlength/2:-1:1);
x1 = binary2decimal(popA);
x2 = binary2decimal(popB);
%转化二进制数为x变量的变化域范围的数值
y1=x1.^2 + x2.^2;
x1 = binary2decimal(bsi1);
x2 = binary2decimal(bsi2);
y1=x1.^2 + x2.^2;
if mod(i,200) == 0
figure;
o1 = 0:0.5:10;
o2 = o1;
[O1,O2] = meshgrid(o1);
k = O1.^2 + O2.^2;
surf(o1,o2,k)
hold on;
title(['迭代次数为n=' num2str(i)]);
%plot(x1,y1,'*');
end
plot3(x1,x2,y1,'*');
end
fprintf('The best X1、X2 is --->>%5.2f\n >>%5.2f\n',x1,x2);
fprintf('The best Y is --->>%5.2f\n',bestfit);
(2)initpop.m
%初始化种群大小
%输入变量:
%popsize:种群大小
%chromlength:染色体长度-->>转化的二进制长度
%输出变量:
%pop:种群
function pop=initpop(popsize,chromlength)
pop = round(rand(popsize,chromlength));
%rand(5,5)生成5行5列的0-1之间的随机数
% rand(5,5)
%
%ans =
%
% 0.8147 0.0975 0.1576 0.1419 0.6557
% 0.9058 0.2785 0.9706 0.4218 0.0357
% 0.1270 0.5469 0.9572 0.9157 0.8491
% 0.9134 0.9575 0.4854 0.7922 0.9340
% 0.6324 0.9649 0.8003 0.9595 0.6787
%round就是四舍五入
% round(ans)=
%ans =
% 1 0 0 0 1
% 1 0 1 0 0
% 0 1 1 1 1
% 1 1 0 1 1
% 1 1 1 1 1
%所以返回的种群就是每行是一个个体,列数是染色体长度
(3)binary2decimal.m
%二进制转化成十进制函数
%输入变量:
%二进制种群
%输出变量
%十进制数值
function pop2 = binary2decimal(pop)
[px,py]=size(pop);
for i = 1:py
pop1(:,i) = 2.^(py-i).*pop(:,i);
end
%sum(.,2)对行求和,得到列向量
temp = sum(pop1,2);
pop2 = temp*10/1023;
(4)cal_objvalue.m
%计算函数目标值
%输入变量:二进制数值
%输出变量:目标函数值
function [objvalue] = cal_objvalue(pop)
x = binary2decimal(pop);
%转化二进制数为x变量的变化域范围的数值
objvalue=10*sin(5*x)+7*abs(x-5)+10;
(5)selection.m
%如何选择新的个体
%输入变量:pop二进制种群,fitvalue:适应度值
%输出变量:newpop选择以后的二进制种群
function [newpop] = selection(pop,fitvalue)
%构造轮盘
[px,py] = size(pop);
totalfit = sum(fitvalue);
p_fitvalue = fitvalue/totalfit;
p_fitvalue = cumsum(p_fitvalue);%概率求和排序
ms = sort(rand(px,1));%从小到大排列
fitin = 1;
newin = 1;
while newin<=px
if(ms(newin))<p_fitvalue(fitin)
newpop(newin,:)=pop(fitin,:);
newin = newin+1;
else
fitin=fitin+1;
end
end
(6)crossover.m
%交叉变换
%输入变量:pop:二进制的父代种群数,pc:交叉的概率
%输出变量:newpop:交叉后的种群数
function [newpop] = crossover(pop,pc)
[px,py] = size(pop);
newpop = ones(size(pop));
for i = 1:2:px-1
if(rand<pc)
cpoint = round(rand*py);
newpop(i,:) = [pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:) = [pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:) = pop(i,:);
newpop(i+1,:) = pop(i+1,:);
end
end
(7)mutation.m
%关于编译
%函数说明
%输入变量:pop:二进制种群,pm:变异概率
%输出变量:newpop变异以后的种群
function [newpop] = mutation(pop,pm)
[px,py] = size(pop);
newpop = ones(size(pop));
for i = 1:px
if(rand<pm)
mpoint = round(rand*py);
if mpoint <= 0;
mpoint = 1;
end
newpop(i,:) = pop(i,:);
if newpop(i,mpoint) == 0
newpop(i,mpoint) = 1;
else newpop(i,mpoint) == 1
newpop(i,mpoint) = 0;
end
else newpop(i,:) = pop(i,:);
end
end
(8)best.m
%求最优适应度函数
%输入变量:pop:种群,fitvalue:种群适应度
%输出变量:bestindividual:最佳个体,bestfit:最佳适应度值
function [bestindividual bestfit] = best(pop,fitvalue)
[px,py] = size(pop);
bestindividual = pop(1,:);
bestfit = fitvalue(1);
for i = 2:px
if fitvalue(i)>bestfit
bestindividual = pop(i,:);
bestfit = fitvalue(i);
end
end