用r语言实现遗传算法
遗传算法是一类常见的随机化搜索方法,目前被广泛应用于组合优化,机器学习,信号处理,人工智能等领域。
这里以模型参数优化为背景学习遗传算法的r语言实现
r语言中常用的实现遗传算法的包有mcga包、genalg包、rgenoud包。
其中mcga、genalg包比较简单,上手较快。rgenoud包将遗传算法和衍生的牛顿算法结合起来,可以求解复杂函数的优化问题。
这里主要学习mcga包,genalg包的用法
mcga包使用字节表示变量,而不是实值,并且基于这些用字节表示的染色体进行经典的交叉操作。即从染色体中随机选取一个字节值,并以1/2的概率通过+1或-1进行变异。。它的特点是快速,并可以处理大范围的高精度空间搜索。
mcga包主要包含两个函数:mcga、multi_mcga,其中mcga适用于单目标函数最小化问题,multi_mcga可以使用mcga的逻辑实现多目标的优化。
mcga函数定义及参数说明如下:
mcga (popsize, chsize, crossprob = 1, mutateprob = 0.01,
elitism = 1, minval, maxval, maxiter = 10, evalFunc)
这里使用mcga函数对 “求解fx=x*sinx , x∈[0,12.55]在给定区间的最大值” 的问题进行求解。
#定义适应度函数
> getAdjust <- function(x)
+ {
+ if(x>=0 && x<=12.55)
+ {
+ return(-(x*sin(x))) #由于评估函数是针对最小化问题的,因此要求最大值此处需加个负号
+ }
+ else
+ {
+ return(exp