国赛学习——遗传算法

遗传算法

智能优化算法
几个概念：
种群：有很多个个体组成的群体
个体（染色体）：相当于待求解优化问题的一个解
基因：每个解的组成分量
几个算子：
选择：从当前的种群中选择比较好的个体，使之有机会将其基因遗传到下一代。
交叉：从选择好的个体中两两配对并按照某种方式呼唤基因以产生下一代。
变异：对种群中一些个体以一定概率变异
编码：
二进制编码
实值编码
符号编码

解码：
将二进制数据转换为十进制数据
$$x=s+(b-a)\ast X/(2^L-1)$$

选择：轮盘赌选择法

适应度函数尺度变换：
适应度函数fitness function 的选取直接影响到遗传算法的收敛速度以及能否找到最优解，因为遗传算法在进化搜索中基本不利用外部信息，仅以适应度函数为依据，利用种群中每个个体的适应度来进行搜索
最优化问题可分为两大类，一类为求目标函数的全局最大值，另一类为求目标函数的全局最小值，对于这两类优化问题，目标函数值f(x)到搜索空间中对应个体的适应度函数值F(x)的转换方法

交叉：
二进制编码，
单点
两点

变异：
规定变异概率Pm
长度为10，馋哼一个[1 10]的随机整数，若r<Pm，则0变1、1变0

编码->初始化种群->计算适应度->选择->交叉->变异->新种群->是否满足条件->解码
#Matlab

示例

目标函数变为适应度函数
objfun.m文件（目标函数）

function fvl = objfun(x)

fval = 11*sin(6*x) + 7*cos(5*x); //求最大值

fitnessfun.m文件（适应度函数）

function fitvalue = fitnessfun(x)

Cmin = 0.01;
[row, ~] = size(x);
for i = 1:row
	fval = objfun(x(i,:));
	if fval + Cmin > 0
		fitvalue(i) = fval + Cmin;
	else
		fitvalue(i) = 0;
	end
		fitvalue(i) = 0;
	end
end

decode.m函数文件（二进制转换为十进制）

function real = decode(pop,lb,ub)
//pop种群
//varnum变量个数
[~,col] = size(pop);

for j = col:-1:1
	temp(j) = 2^(j-1)*pop(j);
end
temp = sum(temp);
real = lb + temp * (ub-lb)/(2^col-1);
end

selection.m选择函数

function [dad,mom] = selection(pop,fitvalue)

//计算累加概率
PP = cumsum(fitvalue ./ sum(fitvalue));

[row,~] = size(pop);

//选择出row个个体 用轮盘赌方法
for i = 1:row
	for j = 1:row
		r = rand;
		if r <= PP(j)
			dad(i,:) = pop(j,:);
			break;
		end
	end
	mom(i,:) = pop(randi([1,row]),:);
end

crossover.m交叉函数

function newpop = crossover(dad,mom,pc)

[row,col] = size(dad);
for i = 1:row
	if rand < pc
		cpoint = randi([1,col-1]);
		newpop(i,:) = [dad(i,1:cpoint) mom(i,cpoint+1:end)];
	else
		newpop(i,:) = dad(i,:);
	end
end

mutation.m变异函数

function newpop = mutation(pop,pm)

[row,col] = size(pop);
newpop = zeros(row,col);
for i = 1:row
	mpoint = randi([1,col]);
	if rand < pm
		newpop(i,:) = ~pop(i,mpoint);
	else
		newpop(i,:) = pop(i,:);
	end
end

GeneticAlgorithm.m文件
varnum 变量个数
eps 精度
lb ub 变量范围
n 种群大小
交叉概率 pc
变异概率 pm
动态先行变换 M

f = @(x) 11*sin(6*x) + 7*cos(5*x);
ezplot(f)
hold on
h = plot(0,0,'*')
//给函数画图

varnum = 1;
n = 200;
lb = -pi;
ub = pi;
eps = 1e-2;
pc = 0.9;
pm = 0.01;
maxgen = 200;
//变量初始化

//初始化种群
for i = 1:varnum
	L(i) = cell(log2((ub(i)-lb(i)) / esp + 1));
end

LS = sum(L);  //总长度

pop = randi([0,1],n,LS);  //生成随机种群要么是0要么是1
spoint = cumsum([0,L]);   //将二进制代码分割使用

for iter = 1:maxgen
	//将二进制转换为十进制
	for i = 1:n
		for j = 1:varnum
			startpoint = spoint(j)+1;
			endpoint = spoint(j+1);
			real(i,j) = decode(pop(i,startpoint:endpoint),lb(j),ub(j));
		end
	end
	
	//计算适应度值
	fitvalue = fitnessfun(real);
	fval = objfun(real);
	h.XData = real;
	h.VData = fval;
	pause(0.05)

	//选择
	[dad,mom] = selection(pop,fitvalue);

	//交叉
	newpop = crossover(dad,mom,pc);

	//变异
	newpop = mutation(newpop,pm);

	pop = newpop;

end

for i = 1:n
	for j = 1:varnum
		startpoint = spoint(j)+1;
		endpoint = spoint(j+1);
		real(i,j) = decode(pop(i,startpoint:endpoint),lb(j),ub(j));
	end
end

fitvalue = fitnessfun(real);