1.概述
- 遗传算法（Genetc Algorithm, GA）是一种进化算法，其基本原理消防生物界中的“物竞天择、适者生存”的演化法则
-
种群（包含多个个体） 解空间 个体（染色体，包含多个基因） 解空间的一个解 基因（最小单元） 解的一个组成部分 适应度（fitness）函数 解好坏的评价标准 选择算子（“适者生存”） 选出最优解进入下一代 遗传算子（组合交叉和变异，“繁衍”过程） 保证解（种群）的多样性 -
遗传算法的三个基本操作：选择（Selection）、交叉（Crossover）、变异（Mutation）
（1）选择 选择的目的是为了从当前种群中选出优良的个体，作为父辈繁衍下一代，适应度较高的个体被选择的概率较高（强调概率，并不是一个确定事件）
（2）交叉 交叉的目的是为了得到新一代的个体，新个体组合保留了父辈个体的特性
（3）变异 变异的目的是为了保证解的多样性，对当前种群的每个个体以一定概率改变一个或者多个基因的值（与交叉相比，变异的概率比较低）
- 遗传算法的基本步骤：
（1）编码 将需要优化解决的问题用数学语言描述，映射到遗传算法优化问题。也就是将解空间X={x1,x2,……}映射为个体上的基因
（2）初始种群生成 随机生成N个初始串结构数据，每一个串结构数据称为一个个体（个体数量N是一个很重要的参数，个体较少进化的速度将很慢，个体较多将会存在相似的个体，导致重复计算，效率下降）
（3）适应度评估 评估每个个体的优劣。不同的问题，适应度函数的定义方式也不同
2.遗传算法工具箱
MATLAB内嵌遗传算法工具箱：实时编辑器-优化
（1）新建一个优化的实时脚本：在主页中点击新建实时脚本>>在实时编辑器中点击任务>>找到优化
（2）指定求解器：只有非线性问题才能使用GA算法
（3）设置优化目标和约束：目标函数和非线性约束需要从文件选择（点击新建按照格式进行编写），其余约束的参数从工作区选择
（4）设置参数
- 种群设置
| 种群大小 | 默认值：50（当变量<=5时，否则为200） |
| 种群数据类型（可以不设置） | doubleVector（默认），bitstring，custom |
| 精英成员数 | 默认值：种群数*0.05 |
- 算法设置——选择函数（可以不设置使用默认函数）
| selectionstochunif（默认函数） | 随机均匀分布 |
| selectionremainder（残余） | 取适应值的整数部分进行轮盘赌选择 |
| selectionuniform | 不是一种非常有效的搜索策略，可用于测试 |
| selectionroulette（常用函数） | 轮盘赌算法 |
| selectiontourmament | 联赛选择算法 |
- 算法设置——交叉比例：默认为0.8，可以自己设置
- 算法设置——交叉函数（可以不设置使用默认函数）
-
crossoverscattered:对于没有线性约束问题的默认交叉函数。产生随机二进制向量控制交叉
例如： P1=[a b c d e f g h]
P2=[1 2 3 4 5 6 7 8]
二进制向量=[1 1 0 0 1 0 0 0]
child=[a b 3 4 e 6 7 8]
-
crossoverheuristic（启发式算法）:子代远离适应度差的父代（不等于靠近更好的父代）
如果在父代P1和P2中，P1的适应度更好，则函数返回子代child=P2+随机数*（P1-P2）
-
crossoversinglepoint（单点交叉）：生成一个数字，从该数字对应位置后一位开始交叉
例如： P1=[a b c d e f g h]
P2=[1 2 3 4 5 6 7 8]
交叉点为3
child=[a b c 4 5 6 7 8]
-
crossovertwopoint（两点交叉）：与单点交叉类似
例如： P1=[a b c d e f g h]
P2=[1 2 3 4 5 6 7 8]
交叉点为3和6
child=[a b c 4 5 6 g h]
-
crossoverarithmetic（算数平均）：创建的子代是两个父代的算数平均值
-
crossoveriaplace：问题就具有整数约束时的默认交叉函数
拉普拉斯交叉使用以下任意公式（随机选择）生成子代：
xOverkid=P1+b1*abs(P1-P2)
xOverkid=P2+b1*abs(P1-P2)，其中b1是拉普拉斯分布生成的随机数
参考文献：
-
-
算法设置——变异函数（可以不设置使用默认函数）
-
mutationgaussian（无需设置变异率）:无约束问题的默认变异函数。利用高斯分布来选取变异的个体，前面的变异程度较高，后面变异程度较低
-
mutationadaptfeasible（自适应，无需设置变异率）:存在非整数约束的默认变异函数。随机生成相对于最后成功或者不成功的生成自适应方向
-
mutationuniform:有边界或线性约束时不要使用。均匀突变，突变率默认为0.01，可以更改变异率rate:options=optimoptions('ga','MutationFcn',{@mutationuniform,rate})
-
mutationpositivebasis（网格自适应，无法设置变异率）:该变异类似于蒸饺MADS（网格自适应搜索）步骤，针对线性约束和边界进行了改进
-
mutationpower:具有整数约束的默认变异函数。
mutationChild(i)=x(i)-s(x(i)-lb(i)) if t<r （t：x(i)与最小边界lb(i)的距离，r：随机数）
=x(i)+s(ub(i)-x(i)) if t>=r （s：幂分布的一个随机数）
-
-
算法设置——混合优化器（整数约束不可用）（有非整数约束，设置后更严谨）
-
fminsearch:使用MATLAB函数fminsearch智行无约束最小化
-
patternsearch:使用模式搜索来智行受约束或不受约束的最小化
-
fminunc:使用优化工具箱函数fminunc执行无约束最小化
-
fmincon:使用优化工具性函数fmincon执行约束最小化
-
-
运行时间限制
| 最大代数（迭代次数）（一般只设置此项） | 默认值为100*变量数，可以设置 |
| 停滞代数限制（迭代N次没有变化停止迭代） | 默认值50 |
| 停滞时间限制 | 默认为最大值 |
（5）例子
优化问题求解步骤
9119
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
