0基础开始遗传算法，理论+代码注释解决01背包问题（matlab）

 01背包问题概述

问题：有一个箱子的最大载重量为cap（正整数），同时有n个物品（正整数)，每个物品有一个重量（正整数）以及对应的价值。要求n个物品中，任取若干个装入箱内，要求：在保证箱子最大载重量不被超过的情况下，箱子内的物品价值最高。物品i的重量为weighti(i=1,2,...,N)，物品i的价值为valuei(i=1,2,...,N)，物品i被选择时xi=1，否则xi=0。背包内物品的总重量为

，物品的价值总量为

，如何决定变量的值使背包内物品价值总量为最大。这个问题的数学模型表示如下：

遗传算法解法

遗传算法是一种常见的解决方案。

基本原理（这里借鉴了其他博主的博客版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。原文链接：https://blog.csdn.net/m0_70379869/article/details/126455436）是：

      模拟生物基因遗传的做法，通过编码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境适应度（适应度评估）施加一定的操作，从而实现优胜劣汰的过程。通过一代一代的优化，逼近最优化的解（局部最优化解）。

具体算法若干概念如下：

      遗传操作包含四个算子（基本的四个）：种群初始化（Population initialization）、选择（select）、交叉（crossover）、变异（mutation）

其他概念包含：编码（Coding）、解码（Decoding）、个体（Individual）等。

基本设置与种群初始化

根据书本：Matlab 智能优化算法：从写代码到算法思想，中给了以下算例，假设箱子最大载重量为1000

首先进行基本设置

close;% 关闭绘图窗口
clear all;% 清除工作区所有变量
clc;%清除command line window 命令行窗口

背包问题初始设置

weight = [80,82,85,70,72,70,82,75,78,45,49,76,45,35,94,49,76,79,84,74,76,63,...
    35,26,52,12,56,78,16,52, 16,42,18,46,39,80,41,41,16,35,70,72,70,66,50,55,25, 50,55,40];%5个物品各自的重量
value  = [200,208,198,192,180,180,168,176,182,168,187,138,184,154,168,175,198,...
    184,158,148,174,135, 126,156,123,145,164,145,134,164,134,174,102,149,134,...
    156,172,164,101,154,192,180,180,165,162,160,158,155, 130,125]; %50个物品对应的价值
max_bagweight = 1000;%背包最大承受重量

决策变量设置

具体理论可以看这一篇博客，以免大家对以下代码中特定名词如染色体，基因看不懂的可以看上文链接

chromlength = length(weight);%使用length长度获取物品的数量，即个体基因个数（染色体长度）
p_crossover = .95; % probability of crossover 交叉概率
p_mutation = .15; %probability of crossover 变异概率
max_iterations = 500; %最大迭代次数,单词iteration意思为迭代
population_sizes = 200;%初始种群规模

构建初始种群

%load population.mat

pop =[];%创建初始种群的空矩阵
for i = 1:population_sizes;
%pop(i,:) = truerand(1,chromlength,0,1);%随机获得初始种群的个体，即染色体
pop=round(rand(population_sizes,chromlength));%破解版matlab需要自行安装truerand组件，不行可以使用这行代码进行种群初始化
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%前面的基本参数已经输入完毕，接下来就是遗传代码的循环迭代来产生新的种群

迭代开始

%遗传算法循环
for k = 1:max_iterations;

个体的淘汰以及适应度计算

在这里我使用精英保留策略，因为我们在种群初始化时会遇到不符合约束的染色体（解），这里我采用了精英保留策略，即不符合约束的解换成当下适应度（目标函数）最高的值，还有另外一种解决不符合约束解的方法：遗传算法求解0-1背包问题（附matlab源代码） (qq.com)，微信gzh： 优化算法交流地，文章：遗传算法求解0-1背包问题（附matlab源代码）

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%第一步，选择符合约束的个体（染色体）
for i = 1:population_sizes;
    while pop(i,:) * weight' > max_bagweight;%当初始解不符合约束时，染色体上的基因为0
          pop(i,:)=0; 
    end

end


    %适应度计算
    for i = 1:population_sizes;                 %对14个种群计算适应度
         Fit(i) = pop(i,:) * value';
    end
    Fit=Fit';
    maxFit = max(Fit);                          %寻找适应度最大值
    minFit = min(Fit);                          %寻找适应度最小值,即不符合约束的染色体
    Index_of_chromBest = find(Fit==maxFit);%%找路境中与maxFit相等元素的位置
    Index_of_chromworse = find(Fit==minFit);%%找路境中与minFit相等元素的位置
    chromBest = pop(find(Fit==maxFit),:);    %find(Fit==maxFit),寻找fit中最大值索引，对应pop中的行数，然后找到历代最优个体
    %用最优个体替代不符合约束条件的个体

for i=1:population_sizes;
    if sum(abs(pop(i,:)))==0;   %重量超过约束 
            pop(i,:)=chromBest(1,:);
            Fit(i)=maxFit;           
    end
end

    %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

选择：基于轮盘赌的操作

这部分理论知识可以参考这篇文章：轮盘赌选择解析 (附MATLAB代码) (qq.com)，微信gzh： MATLAB智能优化算法，文章：轮盘赌选择解析 (附MATLAB代码) 之前我没搞懂为啥要使用累加cumsum函数，看了这部分就了解了什么是轮盘赌以及实现方法。

fitvalue = Fit/sum(Fit); %个体/染色体被选中的概率为书中的Pi
 Pcum = cumsum(fitvalue); %个体适应度的累加
 
 roulette_hands = sort(rand(population_sizes,1));%rand随机产生0到1之间的数；sort对数组元素按升序排列
    fiti = 1;
    newi = 1;
    while newi <= population_sizes;

           if (roulette_hands(newi)) < Pcum(fiti);
            new_population(newi,:) = pop(fiti,:);
            newi = newi + 1;
         else
            fiti = fiti + 1;
         end

    end

交叉

newpop=ones(size(pop));%产生下一代的种群矩阵的初始规模
for i=1:2:(population_sizes-1);%步长为2，是将相邻的两个个体进行交叉                                             

        if(rand<p_crossover);
                cpoint=round(rand*chromlength);%四舍五入到最接近的整数，确定染色体上哪个基因之后的染色体片段需要互换（一维向量的索引值）
                newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:chromlength)];%相邻两个个体的染色体片段开始交叉
                newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:chromlength)];
        else
                newpop(i,:)=pop(i,:);
                newpop(i+1,:)=pop(i+1,:);
        end
end

​

变异

for i=1:population_sizes;
                if(rand<p_mutation);
                        mpoint=round(rand*chromlength);   %确定变异点在染色体基因之间  

                        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
                else
                newpop(i,:)=pop(i,:);
        end
end

将新的New population 赋值给initial population

pop=newpop;%新的New population 赋值给initial population
%pop(1,:)=chromBest(1,1);%保留上一代最优个体
trace(k) = maxFit;
end

画图

disp(["该装进背包的物品编号为",[find(chromBest(1,:)==1)]]);                                  %最优个体
disp(["总价值为",num2str(maxFit)]);                                  %最优目标值
figure
plot(trace)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')

由于遗传算法只能近似最优解，所以多运行几次会出现最优解：

最优目标值为：3966.0
最优分配为：[0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 1 0 0 0 0 0 0 1 1 0 1 1 0 1 1 1 1 1 1 1 0 1 1 1 1 0 0 0 1 1 1 1 1 0 1]
背包标签为：[10 11 13 14 16 23 24 26 27 29 30 31 32 33 34 35 37 38 39 40 44 45 46 47 48 50]