用遗传算法求解Rastrigin函数的最小值问题

帕索

已于 2023-06-25 08:37:42 修改

阅读量4.2k

点赞数 4

分类专栏：智能系统 MATLAB 文章标签：数学建模算法机器学习

于 2023-06-25 08:28:50 首次发布

本文链接：https://blog.csdn.net/weixin_51718276/article/details/131369744

版权

MATLAB 同时被 2 个专栏收录

8 篇文章

订阅专栏

智能系统

1 篇文章

订阅专栏

本文介绍了遗传算法的基本原理和在Matlab中的实现，特别是针对Rastrigin函数的优化。文章讨论了遗传算法的优化过程，包括种群初始化、适应度评价、选择、交叉和变异等步骤，并分析了代码在解决双变量Rastrigin函数最小化问题时的优缺点，如可能陷入局部最优。作者通过对比不同选择策略，如比例法和锦标赛选择法，展示了如何改善算法性能，以更有效地找到全局最优解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

遗传算法介绍并附上Matlab代码 - 知乎 (zhihu.com)https://zhuanlan.zhihu.com/p/417444795本文基于以上博主提供的遗传算法Matlab代码进行优化和改良

一、基本原理

1、Rastrigin函数：

$f(x_1,x_{2})=20+x_{1}^{2}+x_{2}^{2}-10(cos2\pi x_{1}+cos2\pi x_{2})$

$-5<x_{i}<5 \; \; \; \; \; i=1,2$

Rastrigin函数是一个用于测试优化算法性能的基准函数，是1964年由Rastrigin提出的。该函数的公式表达式为：

f(x) = A * d + ∑(x^2 - A*cos(2π * x))

其中，x是一个d维向量，A是一个常数，通常被设为10。该函数的最优解为f(x)=0，当且仅当x的每一个元素都等于0时。 Rastrigin函数通常被用于测试各种优化算法的性能，因为它具有很强的多峰性和高维特性，能够检验算法在高维空间中的收敛速度和准确性。

2、遗传算法

遗传算法（Genetic Algorithm，GA）是一种基于自然进化原理的优化算法，经常用于解决复杂问题的优化和搜索。遗传算法的优势在于可以解决非线性连续优化问题、多模态优化问题和高维优化问题。遗传算法可以通过不断地演化与优胜劣汰的过程，产生最适合问题的解决方案。

在遗传算法的演化过程中，通过模拟自然界中的进化过程，不断产生下一代种群，并从中筛选出适应性更强的个体，以此不断迭代，从而找到问题的最优解或者接近最优解。在这个迭代的过程中，遗传算法首先通过随机产生的初始种群，然后通过适应度函数的评价来评价个体的适应度，按照某种规则进行繁殖、交叉、变异等操作，产生新的个体，并且按照适应度的值对个体进行筛选、选择和淘汰，得到下一代种群。这样不断地迭代下去，直到种群逐渐收敛于最优解。

GA的基本操作包括：

1. 初始化种群：随机生成初始的种群个体，每个个体包含若干个基因，通常使用二进制码或实数编码等方式表示。

2. 适应度评价：根据问题所需要优化的指标对每个个体进行评价，通常使用目标函数的值来衡量个体的适应度。

3. 选择：按照适应度大小来对种群个体进化的机会进行选择，轮盘赌算法、锦标赛选择、竞争选择等是常用的选择方法。

4. 交叉：从选择的个体中随机选取一对个体，以一定的概率对其基因进行混合和交换，形成新的个体。

5. 变异：对新个体的某些基因进行突变，引入新的变量或改变旧的变量，以增加个体的多样性。

6. 判断是否终止进化：当达到限定的进化代数或解已接近最优解时，进化过程应终止。

7. 生成最优解：在所有进化中得到最优适应度的个体就是最优解。

通过上述操作，GA能自动寻找最优解，适用于广泛领域的问题求解，例如在工程中进行参数寻优。

二、方案和结果

参考代码所求解问题只有一个自变量，现为求解Rastrigin函数的最小值问题（两个自变量），在原来的基础上增加一个种群，两个大小一样的种群独自进行交叉变异（互不影响），然后根据两个种群一起算出的适应度对两个种群分别进行筛选，多次调试运行发现出现的最优解为0，如表1：

表1

三、优缺点分析

该遗传算法的确可以计算一些比较复杂的最优问题，减少计算量，但也只能尽量接近最优，无法保证一定是最优解，而且经常会出现过早收敛，在迭代至10代左右基本就锁定了一个区间，容易陷入局部最优，经过增加迭代次数发现该问题仍然存在，运行10次有将近7次会陷入局部最优解，取其中一个图形页面展示如下：

四、改进

为解为解决局部最优的问题，尝试将排序方法由比例法改成线性排序法，增加如下代码，如图：

但局部最优的问题仍然没得到解决，后决定采取锦标赛选择的方法选择个体，发现结果得到改善，每次迭代基本可以正确锁定最优解区间，如表2：

表2

五、总结与体会

在本次仿真中通过尝试不同的方法来评估遗传算法的实用性。对于遗传算法的理解和应用，需要结合实际问题和数据，综合考虑其适用性和精度。虽然遗传算法不能完全解决所有问题，但对于那些精度要求不高的问题，遗传算法提供了一种高效而且易于实现的解决方案，大大减少了计算量和成本。从这个角度看，遗传算法是机器学习领域中非常有用的工具。然而，在实际应用中，需要结合具体问题和数据，综合考虑其适用范围和效果。通过进一步了解和掌握其他优化算法的原理和应用，可以更好地改进和优化现有的遗传算法，提高其精度和实用性。

六、代码

main.m

function main()
clear;
clc;
close all;
%种群大小
popsize_x1=100;
popsize_x2=100;
%二进制编码长度
chromlength=10;
%交叉概率
pc = 0.6;
%变异概率
pm = 0.001;
%初始种群
pop_x1 = initpop(popsize_x1,chromlength);
pop_x2 = initpop(popsize_x2,chromlength);
objvalue= cal_objvalue(pop_x1,pop_x2);%计算适应度值
fitvalue = objvalue;

for i = 1:100
    %选择操作
    newpop_x1 = selection(pop_x1,fitvalue);
    newpop_x2 = selection(pop_x2,fitvalue);
    %交叉操作
    newpop_x1 = crossover(newpop_x1,pc);
    newpop_x2 = crossover(newpop_x2,pc);
    %变异操作
    newpop_x1 = mutation(newpop_x1,pm);
    newpop_x2 = mutation(newpop_x2,pm);
    %更新种群
    pop_x1 = newpop_x1;
    pop_x2 = newpop_x2;
    %计算适应度值（函数值）
    objvalue = cal_objvalue(pop_x1,pop_x2);
    fitvalue = objvalue;
    %寻找最优解
    [bestindividual_x1,bestindividual_x2,bestfit] = best(pop_x1,pop_x2,fitvalue);
    
    best_x1 = binary2decimal(bestindividual_x1);%最优解x1
    best_x2 = binary2decimal(bestindividual_x2);%最优解x2
    
    x1_x1 = binary2decimal(newpop_x1);%二进制转十进制
    x1_x2 = binary2decimal(newpop_x2);%二进制转十进制
    
       
    if mod(i,10) == 0
        figure;
        [x1,x2] = meshgrid(-5:0.01:5);
        z = 20 + x1.^2 + x2.^2 - 10*(cos(2*pi*x1)+cos(2*pi*x2)); 
        contourf(x1,x2,z,20);
        hold on;        
        plot(x1_x1,x1_x2,'r*');
        title(['iteration times n=' num2str(i)]);
        %num2str把数值转换成字符串， 转换后可以使用fprintf或disp函数进行输出。
    end
end
    
fprintf('The best x1 is --->>%5.2f\n',best_x1);
fprintf('The best x2 is --->>%5.2f\n',best_x2);
fprintf('The best Y is --->>%5.2f\n',bestfit);

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_x1,bestindividual_x2,bestfit] = best(pop_x1,pop_x2,fitvalue)
[px,~] = size(pop_x1);
bestindividual_x1 = pop_x1(1,:);
bestindividual_x2 = pop_x2(1,:);
bestfit = fitvalue(1);
for i = 2:px
    if fitvalue(i)>bestfit
        bestindividual_x1 = pop_x1(i,:);
        bestindividual_x2 = pop_x2(i,:);
        bestfit = fitvalue(i);
    end
end
bestfit = 1/bestfit;

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)
[~,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*10/1023-5;

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_x1,pop_x2)
x1 = binary2decimal(pop_x1);
x2 = binary2decimal(pop_x2);
%转化二进制数为x变量的变化域范围的数值
objvalue = 20 + x1.^2 + x2.^2 - 10*(cos(2*pi*x1)+cos(2*pi*x2));
objvalue = 1./objvalue;

crossver.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); %round取整函数
        %下面两行代码意思是:i行的1:cpoint位和i+1行的cpoint+1:py位进行交换
        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

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(3,4)生成3行4列的0-1之间的随机数
% rand(3,4)
% 
% ans =
% 
%     0.8147    0.9134    0.2785    0.9649
%     0.9058    0.6324    0.5469    0.1576
%     0.1270    0.0975    0.9575    0.9706
%round就是四舍五入
% round(rand(3,4))=
% 1 1 0 1
% 1 1 1 0
% 0 0 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

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,:);%为什么要专门开辟一个newpop,直接改原来的pop不行吗
        if newpop(i,mpoint) == 0
            newpop(i,mpoint) = 1;
        elseif newpop(i,mpoint) == 1
            newpop(i,mpoint) = 0;
        end
    else
        newpop(i,:) = pop(i,:);
    end
end

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,~] = size(pop);

%线性排序增加的代码
% fitvalue_all = zeros(px,2);
% fitvalue_all(:,2) = fitvalue;
% for i = 1:px
%     fitvalue_all(i,1) = i;
% end
% fitvalue_all = sortrows(fitvalue_all,2);
% for i = 1:px
%     fitvalue_all(i,2) = i;
% end
% fitvalue_all = sortrows(fitvalue_all,1);
% fitvalue = fitvalue_all(:,2);

% %原代码
% % 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

%采用锦标赛选择方法的代码:
for i = 1:px
    x1 = randi([1 100]);
    x2 = randi([1 100]);
    if(fitvalue(x1) < fitvalue(x2)) 
         newpop(i,:)=pop(x2,:);
    else
         newpop(i,:)=pop(x1,:);
    end
end
end