关于 南叔学生的学习笔记-Matlab算法篇-现代优化算法 中遗传算法的代码详解**
其链接:
https://blog.csdn.net/seek97/article/details/108324749
话不多说,上代码!
%% 实现遗传算法##
tic
clc,clear
%% 实现遗传算法
tic %用来计时的这是开头,下面有toc作为结尾!
clc,clear
figure(1)
data1=[
53.7121 15.3046 51.1758 0.0322 46.3253 28.2753 30.3313 6.9348
56.5432 21.4188 10.8198 16.2529 22.7891 23.1045 10.1584 12.4819
20.1050 15.4562 1.9451 0.2057 26.4951 22.1221 31.4847 8.9640
26.2418 18.1760 44.0356 13.5401 28.9836 25.9879 38.4722 20.1731
28.2694 29.0011 32.1910 5.8699 36.4863 29.7284 0.9718 28.1477
8.9586 24.6635 16.5618 23.6143 10.5597 15.1178 50.2111 10.2944
8.1519 9.5325 22.1075 18.5569 0.1215 18.8726 48.2077 16.8889
31.9499 17.6309 0.7732 0.4656 47.4134 23.7783 41.8671 3.5667
43.5474 3.9061 53.3524 26.7256 30.8165 13.4595 27.7133 5.0706
23.9222 7.6306 51.9612 22.8511 12.7938 15.7307 4.9568 8.3669
21.5051 24.0909 15.2548 27.2111 6.2070 5.1442 49.2430 16.7044
17.1168 20.0354 34.1688 22.7571 9.4402 3.9200 11.5812 14.5677
52.1181 0.4088 9.5559 11.4219 24.4509 6.5634 26.7213 28.5667
37.5848 16.8474 35.6619 9.9333 24.4654 3.1644 0.7775 6.9576
14.4703 13.6368 19.8660 15.1224 3.1616 4.2428 18.5245 14.3598
58.6849 27.1485 39.5168 16.9371 56.5089 13.7090 52.5211 15.7957
38.4300 8.4648 51.8181 23.0159 8.9983 23.6440 50.1156 23.7816
13.7909 1.9510 34.0574 23.3960 23.0624 8.4319 19.9857 5.7902
40.8801 14.2978 58.8289 14.5229 18.6635 6.7436 52.8423 27.2880
39.9494 29.5114 47.5099 24.0664 10.1121 27.2662 28.7812 27.6659
8.0831 27.6705 9.1556 14.1304 53.7989 0.2199 33.6490 0.3980
1.3496 16.8359 49.9816 6.0828 19.3635 17.6622 36.9545 23.0265
15.7320 19.5697 11.5118 17.3884 44.0398 16.2635 39.7139 28.4203
6.9909 23.1804 38.3392 19.9950 24.6543 19.6057 36.9980 24.3992
4.1591 3.1853 40.1400 20.3030 23.9876 9.4030 41.1084 27.7149
]; %加载敌方 100 个目标的数据
x=data1(:,1:2:8);x=x(:); % 经度 %1 3 5 7 后面那个步骤是将x第二列和第三列都放在排在第一列上
y=data1(:,2:2:8);y=y(:); % 纬度 %2 4 6 8
data1=[x y]; % 这个时候data1表示的就是第一列是经度,第二列全是纬度了
%也就是说这里以上的操作是整理数据,将维度和经度分别排成一列
d1=[70,40]; %这里分别是基地的经度和纬度
data0=[d1;data1;d1];
%距离矩阵 d data0
data1=data0*pi/180; %这里是将角度制换成弧度制
d=zeros(102); %这里应该定点 %加载敌方 100 个目标的数据
for i=1:101
for j=i+1:102
temp=cos(data1(i,1)-data1(j,1))*cos(data1(i,2))*cos(data1(j,2))+sin(data1(i,2))*sin(data1(j,2));
%这里是公式Rarcos[cos(x1-x2)cos(y1)cos(y2)+sin(y1)+sin(y2)];
%下面是给乘上了R和arccos
%这里的数学公式是需要数学建模的
%一般是二维平面上的话,两点距离公式:d=sqrt((x2-x1).^2+(y2-y1).^2)就行了,注意这里是点方!因为数据是矩阵!
d(i,j)=6370*acos(temp);
end
end
d=d+d'; %这个步骤没搞懂 自己试了一下发现可能是将是零的位置补全,但就是会留一条斜0
%是为了构造一个对称矩阵 如果不记得为什么要的话可以去看看https://blog.csdn.net/AlexiosQ/article/details/115036181?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522161993157116780262510237%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=161993157116780262510237&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~first_rank_v2~rank_v29-5-115036181.pc_search_result_hbase_insert&utm_term=matlab%E4%B8%AD%E6%94%B9%E8%89%AF%E5%9C%88%E7%AE%97%E6%B3%95&spm=1018.2226.3001.4187
L=102;
w=50;%种群个数
dai=100;
%通过改良圈算法选取优良父代 A
%改良圈算法其实就是也是不断地改变位置然后缩小两目标之间的距离
for k=1:w
c=randperm(100);
c1=[1,c+1,102]; %1(基地的位置固定),102(回到基地的位置) 而1-102之间是敌方飞机的随机位置
%c1是从1-102的原始圈
flag=1; %应该只是一个用来判断的值
while flag>0 %若是没有需要修改的圈数(flag=0)则直接跳出,减少计算量
flag=0;
for m=1:L-3 %L表示的是1-102的要处理的目标 然后 L-3 是一次性处理三条边
for n=m+2:L-1 %n从m+2开始,是因为要已经用了 m 和 m+1,而最后有个 n+1 就不用到 L 了只需要到 L-1
if d(c1(m),c1(n))+d(c1(m+1),c1(n+1))<d(c1(m),c1(m+1))+d(c1(n),c1(n+1)) %若是改变后的距离小于原始距离的话就变为改良圈,否则不变
flag=1;
c1(m+1:n)=c1(n:-1:m+1); %换完后的改良圈与原始圈更换,要改良圈
end
end
end
end
J(k,c1)=1:102; %记录下优化完后较好的解 你会发现所有的距离都是先相同的
end
J=J/102;
J(:,1)=0;
%产生 0~1间随机数列进行编码 相当于转化成染色体编码
%经过上两部之后你会发现第一列全是0,最后一列全是1
%成功转换成了[0,1]的实数
J(:,102)=1;
rng('default'); %rng是一种可以控制rand或者randi函数产生的随机数的函数 而这里的default是用来固定随机数的
%使用方法:
% s=rng %先固定,将其引出来
% x=rand(2,4) %再随机设定一个数用于储存
% rng(s) %储存x产生的随机数组
% y=rand(2,4) %此时y产生的与x产生的是相同的
%遗传算法实现过程
A=J;
for k=1:dai %迭代次数
B=A;
c=randperm(w);
%交配产生子代 B
for i=1:2:w
F=2+floor(w*rand(1)); %这里乘以w种群数或者迭代数die都可以,自己试一下看哪个效果更好,下面一个也一样
%产生交叉操作的地址
%其实本来这里需要和下面变异一样先找出能进行交叉的位置的
%也就是需要一个by1=find(rand(1,w)<pc);w是种群数量
temp=B(c(i),F:102);
B(c(i),F:102)=B(c(i+1),F:102);
B(c(i+1),F:102)=temp;
end
%变异产生子代 C
by=find(rand(1,w)<0.1); %找到所有概率小于pm=0.1的位置,也就是他们的地址
%下面这串的意义暂时不知道在哪里,因为有了上面这句话了已经
% if length(by)==0
% by=floor(50*rand(1))+1; %感觉如果用了上面那一个的话应该这一步就不需要了?
% end
C=A(by,:); %产生的变异操作的初始染色体
L3=length(by); %需要变异的个体次数!
for j=1:L3 %变异次数
bw=2+floor(dai*rand(1,3)); %为什么是rand(1,3)呢? 是因为下面用到了bw(1),2,3来进行“重组变异”,其实rand(1,2)也可以的,那下面就是只能用到bw(2)
bw=sort(bw);
C(j,:)=C(j,[1:bw(1)-1,bw(2)+1:bw(3),bw(1):bw(2),bw(3)+1:102]); %类似于重组?他是[ 1:33,49:49,33:48,50:102]总共遍历的还是从1-102。
%这里是对上面的解释C(j,:)=C(j,[1:bw(1)-1,bw(1):bw(2)-1,bw(2):bw(3)-1,bw(3):102]);%怎么感觉有点类似于交叉啊。。。
%C(j,bw)=
end
G=[A;B;C]; %父代和子代种群合在一起 B是交叉子代,C是变异子代
TL=size(G,1); %行数
%在父代和子代中选择优良品种作为新的父代
[dd,IX]=sort(G,2); %dd记录数值,IX记录数值的位置 也可以说是将染色体翻译成所在的位置->1-102序列
temp(1:TL)=0; %初始化长度其实也可以直接用temp=zeros(1,TL);
for j=1:TL %计算每条路径的长度
for i=1:101
temp(j)=temp(j)+d(IX(j,i),IX(j,i+1));
end
end
[DZ,IZ]=sort(temp); %对路径长度从小到大排列,并选出其位置和数值
A=G(IZ(1:w),:); %选出w个较短路径对应的染色体
end
path=IX(IZ(1),:) %解的路径
long=DZ(1) ;
toc %用来计时的
xx=data0(path,1);yy=data0(path,2);
plot(xx,yy,'-o')