遗传算法

记录学习matlab的过程防止忘记。本文参考《智能优化算法及其matlab实例第二版》

遗传算法简介

遗传算法利用群体搜索技术，将种群代表一组问题解，对种群进行选择，交叉，变异，复制等生物学上的进化操作产生新一代的种群。

群体：可行解集（一开始群体是随机生成的，然后通过自然选择，优胜略汰）；
个体：可行解（组成群体的单个生物体）；
染色体 ：可行解的编码（包含生物体信息的遗传物质）；
基因：可行解编码的分量（控制生物体的遗传信息的基本单位）；
适应度：可行解在具体问题中跟最优解的差值（个体对当前环境的适应能力）

举个例子
我们创建一个数值在0~10的3行5列的矩阵

randi([0,10],3,5);

结果为

ans = 
	7     4     7     0     7
	8     7     0     1     3
	8     1     3     9    10

通常用一列作为一个个体即这个矩阵代表了5了个体
每一列中的三个实数编码代表了每个个体的遗传物质
比如说第一个个体的遗传信息是 7 8 8

遗传算法怎么解决问题

~~我觉得一个难点就是怎么把解转换为编码的个体，上面介绍过常用的编码方式有二进制编码跟实数编码，那么怎么编~~ ？

二进制编码

如果最优解是一个实数的话，像找函数的极大值极小值这些，就可以用到二进制编码，一列二进制编码代表的一个解就代表了一个实数。

实数编码

如果最优解是多个实数的话，像在一组数据中找出最合适的几个，就可以用实数编码。

遗传算法流程

1.初始化：设定最大进化次数，随机生成一个种群（一个矩阵，维数看实际问题）。
2.个体评价：计算种群中每个个体的适应度。
3.进化运算：对种群进行选择运算，交叉运算，变异运算。
4.终止条件判断：如果进化次数大于最大进化次数则终止。

遗传算法中关键参数

1.群体规模NP：NP太小时优化性能不太好，NP太大计算复杂度高。一般NP取10-200.
2.交叉概率Pc：Pc太小时可能会使遗传算法太过于迟钝，Pc较大时虽然可以扩大搜索区域，但稳定性不高。Pc一般取0.25-1.00
3.变异概率Pm：Pm在算法中起了一种辅助作用，不可以太高，太高会让算法变成随机的搜索。一般取0.001-0.1.
4.算法进化次数：一般100-1000之间。问题不大，能算不了就好。

简单的实例

用标准遗传算法求函数 f(x) = x+10sin（5x）+7cos（4x）的最大值

%遗传算法
clear ;
funcl =@(x) x+10*sin(5*x)+7*cos(4*x);

NP = 50; %种群数量
L = 20 ; %二进制编码长度
Pc = 0.8; %交叉率
Pm = 0.1 ;%变异率
G = 100 ;%最大迭代次数
Xs = 10; % X取值的上下限
Xx = 0;
f = randi([0,1],NP,L); %随机获得初始种群

fit =zeros(1,50);
x = zeros(1,50);
trace = zeros(1,100);
xtrace = zeros(1,100);   %预先分配内存

for k  = 1:G    
    for i = 1:NP
        U = f(i,:);
        m = 0;
        for j = 1:L
            m = U(j)*2^(j-1)+m;
        end
        x(i) = Xx +m*(Xs - Xx)/ (2^L-1);  %把二进制编码变成实数
        fit(i) = funcl(x(i));       %计算适应度
    end
     
    maxfit = max(fit);
    minfit = min(fit);
    rr = find(fit == maxfit);
    fbest = f(rr(1,1),:);
    xbest = x(rr(1,1));    %历代最优个体
    fit = (fit - minfit )/(maxfit-minfit); %归一化适应度
    
    %复制操作
    sum_fit = sum(fit);
    fitvalue = fit./sum_fit;
    fitvalue = cumsum(fitvalue);
    ms = sort(rand(NP,1));
    fiti = 1;
    newi = 1;
    while newi <= NP
        if (ms(newi))<=fitvalue(fiti)
            nf(newi,:) = f(fiti,:);
            newi = newi +1;
        else
            fiti = fiti+1;
        end
    end
    
    %交叉操作
    for i = 1:2:NP
        p = rand;
        if p < Pc
            q = randi(1,L);
            for j = 1:L
                if q(j) == 1
                    temp = nf(i+1,j);
                    nf(i+1,j) = nf(i,j);
                    nf(i,j) = temp;
                end
            end
        end
    end
    
    %变异操作
    i = 1;
    while i <= round(NP*Pm)
        h =randi([1,NP],1,1);
        for j = 1:round(L*Pm)
            g = randi([1,L],1,1);
            nf(h,g) =~nf(h,g);
        end
        i = i+1;
    end
    
    f = nf;
    f(1,:) = fbest;
    trace(k) = maxfit;
    xtrace(k) =xbest;
end
figure;
subplot(3,1,1);
plot(trace);
xlabel('迭代次数');
ylabel('进化曲线');
title("适应度进化曲线");
hold on;
subplot(3,1,2);
plot(xtrace);
xlabel('迭代次数');
ylabel('进化曲线');
title("适应度进化曲线");
subplot(3,1,3);
fplot(funcl,[0,10]);
xlabel('x');
ylabel('y');
title("函数曲线");