目录
遗传算法简介
遗传算法(Genetic Algorithm)是一种计算模拟人工进化的AI算法。它借鉴了自然界生物体的进化机制,通过个体的淘汰、交叉、变异来实现搜索最优解。
遗传算法的主要思想
1. 编码:将问题的各种可能的解决方案编码为染色体,形成初始种群。
2. 遗传:通过交叉和变异等遗传算子产生新一代种群。
3. 适应度评价:评价每个个体的适应度,选择适应度高的个体保留到下一代。
4. 进化:重复执行步骤2和3,种群逐渐进化成更强大的种群,最后获得最优解。
算法具体流程
1. 编码:将问题的可选解编码为染色体,形成初始种群(一组解的集合)。
2. 评价:计算每个染色体的适应度值,选择更适应环境的染色体。
3. 交叉:随机选择两个染色体进行基因交叉,产生新的子代。
4. 变异:随机变异染色体中的基因,以增加种群的多样性。
5. 选择:从父代和子代中选择最适应环境的染色体进入下一代种群。
6. 重复步骤3-5,种群不断进化,直到获得较优解或达到进化代数。
7. 解码:将最优染色体解码为原始问题的解。简单来说,遗传算法模拟自然进化过程来求解复杂问题。它通过选择、交叉和变异产生新一代种群,种群在迭代过程中不断进化,最终获得最佳解。
Matlab代码(单目标规划直接可用,含注释)
best.m
% 2.7 求出群体中最大得适应值及其个体
%遗传算法子程序
%Name: best.m
%求出第 t 代群体中适应值最大的值
function [bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for i=2:px
if fitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
calfitvalue.m
% 2.3 计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
%% 外罚函数加在这
function fitvalue=calfitvalue(objvalue)
[px,py]=size(objvalue); %目标值有正有负
for i=1:px
% if objvalue(i)>0 %貌似没用
temp=objvalue(i);
% else %貌似没用
% temp=0.0; %貌似没用
% end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
calobjvalue.m
% 2.2.3 计算目标函数值
% calobjvalue.m函数的功能是实现目标函数的计算,其公式采用本文示例仿真,可根据不同优化问题予以修改。
%遗传算法子程序
%Name: calobjvalue.m
%实现目标函数的计算,将 二值域 中的数转化为 变量域的数
function [objvalue]=calobjvalue(pop)
% temp1=decodechrom(pop,1,10); %将pop每行转化成十进制数
% x=temp1*10/1023; %在精度不大于0.01时,最小整数为1023,即需要10位二进制
%% 本身就是整数,不采用二值化因此不必转化
x = pop;
%% 注意这里是矩阵运算
objvalue=x+10*sin(5*x)+7*cos(4*x); %计算目标函数值
end
%% 这里仅仅计算值,不是真正意义的函数文件
crossover.m
% 2.5 交叉
% 交叉(crossover),群体中的每个个体之间都以一定的概率 pc 交叉,即两个个体从各自字符串的某一位置
% (一般是随机确定)开始互相交换,这类似生物进化过程中的基因分裂与重组。例如,假设2个父代个体x1,x2为:
% x1=0100110
% x2=1010001
% 从每个个体的第3位开始交叉,交又后得到2个新的子代个体y1,y2分别为:
% y1=0100001
% y2=1010110
% 这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
% 事实上交叉是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name: crossover.m
%交叉
function [newpop]=crossover(pop,pc) %pc=0.6
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:2:px-1 %步长为2,是将相邻的两个个体进行交叉
if(rand<pc)
cpoint=round(rand*py);
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
%% 交叉约束判断:最简单的,加个循环,对newpop进行判断
decodebinary.m
%产生 [2^n 2^(n-1) ... 1] 的行向量,然后求和,将二进制转化为十进制
%
% function pop2=decodebinary(pop)
% [px,py]=size(pop); %求pop行和列数
% for i=1:py
% pop1(:,i)=2.^(py-i).*pop(:,i);
% end
% pop2=sum(pop1,2); %求pop1的每行之和
%% 不必转换
decodechrom.m
% 2.2.2 将二进制编码转化为十进制数(2)
% decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制,参数spoint表示待解码的二进制串的起始位置
% (对于多个变量而言,如有两个变量,采用20为表示,每个变量10位,则第一个变量从1开始,另一个变量从11开始。本例为1),
% 参数1ength表示所截取的长度(本例为10)。
%遗传算法子程序
%Name: decodechrom.m
%将二进制编码转换成十进制
% function pop2=decodechrom(pop,spoint,length) %1 10
% pop1=pop(:,spoint:spoint+length-1);
% pop2=decodebinary(pop1); %将pop每行转换成十进制值,结果是20*1的矩阵
%% 直接整数计算,不必转化
initpop.m
% 2.1初始化(编码)
% initpop.m函数的功能是实现群体的初始化,popsize表示群体的大小,chromlength表示染色体的长度(二值数的长度),
% 长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%初始化
function pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));
% rand随机产生每个单元为 {0,1} 行数为popsize,列数为chromlength的矩阵,
% round对矩阵的每个单元进行圆整四舍五入。这样产生的初始种群。
end
%% 整数问题修改pop即可 直接存储实际值
mutation.m
% 2.6 变异
% 变异(mutation),基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率 pm 翻转,
%即由“1”变为“0”,或由“0”变为“1”。
%遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间,因此可以 在一定程度上 求得全局最优解。
%遗传算法子程序
%Name: mutation.m
%变异
%% 变异需要根据实际问题写:变成定义域内任意值即可,同时限制约束条件
function [newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:px
suiji = round(rand*10); %变异数
if(rand<pm)
mpoint=round(rand*py); %产生的变异点在1-10之间
if mpoint<=0
mpoint=1; %变异位置
end
newpop(i,:)=pop(i,:);
% if any(newpop(i,mpoint))==0
% newpop(i,mpoint)=1;
% else
% newpop(i,mpoint)=0;
% end
newpop(i,mpoint) = suiji; %变异
else
newpop(i,:)=pop(i,:);
end
end
end
selection.m
function [newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue); %求适应值之和
fitvalue=fitvalue/totalfit; %单个个体被选择的概率
fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4],则 cumsum(fitvalue)=[1 3 6 10],不明白为什么要累加
[px,py]=size(pop); %20*10
ms=sort(rand(px,1)); %从小到大排列
fitin=1;
newin=1;
while newin<=px %选出20个新个体,有重复情况,和上面介绍的方法不太一样
if(ms(newin))<fitvalue(fitin)
newpop(newin,:)=pop(fitin,:);
newin=newin+1;
else
fitin=fitin+1;
end
end
%% 按道理不用修改这里
main.m
% 下面举例说明遗传算法 %
% 求下列函数的最大值 %
% f(x)=x+10*sin(5x)+7*cos(4x) x∈[0,10] %
% 将 x 的值用一个10位的二值形式表示为二值问题,一个10位的二值数提供的分辨率是每为 (10-0)/(2^10-1)≈0.01
% 将变量域 [0,10] 离散化为二值域 [0,1023], x=0+10*b/1023, 其中 b 是 [0,1023] 中的一个二值数。 %
% %
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------
% 2.0 主程序
%遗传算法主程序
%Name:genmain05.m
%要求精度不大于0.01,
clear
clc
popsize=20; %群体大小
chromlength=10; %字符串长度(个体长度)
pc=0.6; %交叉概率,只有在随机数小于pc时,才会产生交叉
pm=0.001; %变异概率
pop=initpop(popsize,chromlength); %随机产生初始群体
for i=1:20 %20为遗传代数
[objvalue]=calobjvalue(pop); %计算目标函数
fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue); %复制
[newpop1]=crossover(newpop,pc); %交叉
[newpop2]=mutation(newpop1,pm); %变异
[objvalue]=calobjvalue(newpop2); %计算目标函数
fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
[bestindividual,bestfit]=best(newpop2,fitvalue); %求出群体中适应值最大的个体及其适应值
y(i)=bestfit; %返回的 y 是自适应度值,而非函数值
% x(i)=decodechrom(bestindividual,1,chromlength)*10/1023; %将自变量解码成十进制
x(i,:) = bestindividual;
pop=newpop2;
end
[z ,index]=max(y); %计算最大值及其位置
x5=x(index,:) %计算最大值对应的x值
ymax=z