遗传算法求函数极值（含MATLAB代码实现）

最新推荐文章于 2024-08-05 14:13:53 发布

AIGC Studio

最新推荐文章于 2024-08-05 14:13:53 发布

阅读量1.4w

点赞数 7

分类专栏：智能优化方法文章标签：遗传算法函数极值

本文链接：https://blog.csdn.net/xs1997/article/details/103353354

版权

智能优化方法专栏收录该内容

3 篇文章 13 订阅

订阅专栏

介绍转载自https://blog.csdn.net/xujinpeng99/article/details/6211597，后面用自己设置的函数进行实验。

引言：遗传算法求函数极值算是遗传算法的一种最简单的应用，这里就介绍一种简单的，全文基本翻译自codeproject的一篇文章，作者为Luay Al-wesi，软件工程师。例子中的函数为y = -x2+ 5 ，大家可以将其改为其他复杂一些的函数，比如说f=x+10sin(5x)+7cos(4x)等。

一、编码以及初始种群的产生

编码采用二进制编码，初始种群采用矩阵的形式，每一行表示一个染色体，每一个染色体由若干个基因位组成。关于染色体的长度（即基因位的个数）可根据具体情况而定。比如说根据要求极值的函数的情况，本文的染色体长度为6，前5个二进制构成该染色体的值（十进制），第6个表示该染色体的适应度值。长度越长，表示解空间搜索范围越大。关于如何将二进制转换为十进制，这个应该很简单，文后的C代码中函数x即为转换函数。

初始种群结构如下图所示：

图1

该初始种群共有4个染色体，第一列表示各个染色体的编号，第2列表示该染色体值的正负号，0表示正，1表示负。第3列到第7列为二进制编码，第8列表示各个染色体的适应度值。第2列到第7列的0-1值都是随机产生的。

二、适应度函数

一般情况下，染色体（也叫个体，或一个解）的适应度函数为目标函数的线性组合。本文直接以目标函数作为适应度函数。即每个染色体的适应度值就是它的目标函数值，f(x)=-x2+ 5。

三、选择算子

初始种群产生后，要从种群中选出若干个体进行交叉、变异，那么如何选择这些个体呢？选择方法就叫做选择算子。一般有轮盘赌选择法、锦标赛选择法、排序法等。本文采用排序法来选择，即每次选择都选出适应度最高的两个个体。那么执行一次选择操作后，得到的新种群的一部分为下图所示：

图2

四、交叉算子

那么接下来就要对新种群中选出的两个个体进行交叉操作，一般的交叉方法有单点交叉、两点交叉、多点交叉、均匀交叉、融合交叉。方法不同，效果不同。本文采用最简单的单点交叉。交叉点随机产生。但是交叉操作要在一定的概率下进行，这个概率称为交叉率，一般设置为0.5到0.95之间。交叉后产生的新个体组成的新种群如下：

图3

黑体字表示子代染色体继承母代个体的基因情况。

五、变异

变异就是对染色体的结构进行变异，使其改变原来的结构（值也就改变），达到突变进化的目的。变异操作也要遵从一定的概率来进行，一般设置为0到0.5之间。本文的变异方法直接采取基因位反转变异法，即0变为1，1变为0。要进行变异的基因位的选取也是随机的。

六、终止规则

遗传算法是要一代一代更替的，那么什么时候停止迭代呢？这个规则就叫终止规则。一般常用的终止规则有：若干代后终止，得到的解达到一定目标后终止，计算时间达到一定限度后终止等方法。本文采用迭代数来限制。


%VELASCO, Gimel David F.
%2012-58922
%Cmsc 191
%Genetic Algorithm
%Final Exam
%for runs=1:3
clear;
tic;

%%%%%%%%%%%%%%%%%%%%%%%%%%%INPUT ARGUMENTS%%%%%%%Sir Joel, dito po%%%%%%%%%
CostF =2; % | 1 - DE JONGS | 2 - AXIS PARALLEL HYPER-ELLIPSOID | 3 - ROTATED HYPER-ELLIPSOID | 4 - RASTRIGINS | ow - ACKLEYS |
nVar = 3; %number of dimensions
VarSize = zeros(nVar); %stores the fittest chromosome per iteration
VarMin = -5.12; %upper bound of variable value
VarMax = 5.12; %lower bound of variable value
MaxGen = 100000; %maximum number of generations
nPop = 5000; %chromosome population
nSel = 1; % | 1 - Tournament Selection | ow - Roulette Wheel Selection |
mu = 0.1; %mutation rate
sigma = 0.25; %crossover rate
cxver= 2; % | 1 - Single point Crossover | ow - Three point Crossover |
tol = 0.0000025; %fitness tolerance (minimization problem)
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%STEP 1: Initialization
test_func = CostF;
ub = VarMax;
lb = VarMin;
ulb = ub; %temporary bengat
tpl = nVar;
popsize = nPop;   %Population Size
maxgens = MaxGen;   %Maximum Generations
pc = sigma;      %crossover rate
pm = mu;       %mutation rate
%tol = tol;  %tolerance
iteration_array = zeros(1);
fittest_array = zeros(1);
solution_array = VarSize;
Chromosome = zeros(popsize,tpl);
for i=1:popsize
    Chromosome(i,:) = 2*ulb*(rand(1,tpl)-0.5);  %initializing first generation
end

%%%%%%%%%%%%%%%%%%%%%%%%%GENETIC ALGORITHM%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%%
for generation=1:maxgens   %LOOPS STEPS 2 to 5（最大的迭代次数）
%STEP 2: Selection
if nSel == 1
    %（锦标赛选择法）
    for i=1:popsize/4   %Tournament process
        red = abs(floor(popsize*rand(1))) + 1;  %两个随机染色体
        blu = abs(floor(popsize*rand(1))) + 1;
        if OBJFUNC(Chromosome(red,:),tpl,test_func) > OBJFUNC(Chromosome(blu,:),tpl,test_func)    %competition
            Chromosome(red,:) = Chromosome(blu,:);      %Blue Wins the tournament and overwrites Red
        else
            Chromosome(blu,:) = Chromosome(red,:);      %Red Wins the tournament and overwrites Blue
        end
    end
else
    %轮盘赌选择法
    F_obj = zeros(1);
    for i=1:popsize
       F_obj(i) = OBJFUNC(Chromosome(i,:),tpl,test_func);
    end
    Total = 0;
    Fitness = zeros(1);
    P = zeros(1);
    C = zeros(1);
    R = zeros(1);
    NewChromosome = zeros(tpl);
    for i=1:popsize
       Fitness(i) = 1/(1+F_obj(i));
       Total = Total + Fitness(i);
    end
    for i=1:popsize
        P(i) = Fitness(i)/Total;
    end
    ctr = 0;
    for i=1:popsize
        ctr = ctr + P(i);
        C(i) = ctr;
    end
    for i=1:popsize
        R(i) = rand(1);
    end
    for i=1:popsize
        NewChromosome(i,:) = zeros(1,tpl);
    for j=1:popsize-1
        if R(i) > C(j) && R(i) <= C(j+1)
            NewChromosome(i,:) = Chromosome(j,:);
        end
    end
    if NewChromosome(i,:) == zeros(1,tpl)
        NewChromosome(i,:) = Chromosome(1,:);
    end
    end
    for i=1:popsize
        Chromosome(i,:) = NewChromosome(i,:);
    end
end
%%
R = rand(1,popsize);
k = zeros(1);
PChromosome = zeros(tpl);
cp = zeros(1);
cp3 = zeros(3);
ctr = 0;    %holds number of parents
for i=1:popsize
    if R(i) < pc
        %选择父代
        ctr = ctr + 1;
        k(ctr) = i; %will save the positions of the parent chromosomes
        PChromosome(ctr,:) = Chromosome(i,:);
    end
end
if ctr == 0 %if no parents were selected for the next generation
    continue;
end
%%
%STEP 3: 交叉
if cxver == 1 %单点交叉
    for i=1:ctr
        cp(i) = floor(abs((tpl-1)*rand(1)))+1;   %crossover points
    end
    for i=1:ctr-1
       Chromosome(k(i),:) = CROSSOVER(PChromosome(i,:),PChromosome(i+1,:),cp(i),tpl);   %crossover ci and ci+1
    end
    Chromosome(k(ctr),:) = CROSSOVER(PChromosome(ctr,:),PChromosome(1,:),cp(ctr),tpl);    %crossover ck and c1
else %三点交叉
    for i=1:ctr
        cp3(i,:) = floor(abs((tpl-1)*rand(1,3)))+1;   %crossover points
    end
    for i=1:ctr-1
       Chromosome(k(i),:) = CROSSOVER3(PChromosome(i,:),PChromosome(i+1,:),cp3(i,:),tpl);   %crossover ci and ci+1
    end
    Chromosome(k(ctr),:) = CROSSOVER3(PChromosome(ctr,:),PChromosome(1,:),cp3(ctr,:),tpl);    %crossover ck and c1
end
%%
%STEP 4: 变异
%Per Chromosome mutation
mu = round(pm*popsize); %#ofchromosomestomutate = mutationrate*populationsize
for i=1:mu
    cngn = abs(floor(popsize*rand(1))) + 1; %random popsize number
    q = OBJFUNC(Chromosome(cngn,:),tpl,test_func);
    if q < 1
        Chromosome(cngn,:) = 2*ulb*q*(rand(1,tpl)-0.5);   %mutation
    else
        Chromosome(cngn,:) = 2*ulb*(rand(1,tpl)-0.5);
    end
end
%%
%STEP 5: 终止评价
F_obj = zeros(1);
for i=1:popsize
   F_obj(i) = OBJFUNC(Chromosome(i,:),tpl,test_func);
end
%%
fittest = F_obj(1);
for i=1:popsize
    fi = 1;
    if fittest > F_obj(i)
       fittest = F_obj(i);
       fi = i;
    end
end
%fprintf('Fittest: %.16f\t\tRuntime: %.2f seconds\n',fittest,toc);
%disp(Chromosome(fi,:))
fittest_array(generation) = fittest;
iteration_array(generation) = generation;
solution_array(generation,:) = Chromosome(fi,:);
if fittest < tol %&& abs(DECODE(Chromosome(fi,:),tpl) - round(DECODE(Chromosome(fi,:),tpl))) < 0.00005
    break;
end
%Step 6: 重复进行代数迭代
end
%%
%STEP 7: 得出最优染色体
if test_func == 1
fprintf('====================DE JONGS FUNCTION=============================\n');
elseif test_func == 2
fprintf('==============AXIS PARALLEL HYPER-ELLIPSOID FUNCTION==============\n');
elseif test_func == 3
fprintf('===============ROTATED HYPER-ELLIPSOID FUNCTION====================\n');
elseif test_func == 4
fprintf('====================RASTRIGINS FUNCTION===========================\n');
else
fprintf('=====================ACKLEYS FUNCTION=============================\n');
end
fprintf('====================GENETIC ALGORITHM=============================\n');
if nSel == 1
fprintf('Tournament Selection. ');
else
fprintf('Roulette-Wheel Selection. ');
end
if cxver == 1
fprintf('Single Point Crossover.\n');
else
fprintf('Triple Point Crossover.\n');
end
fprintf('===================Generations: %d\tPopulation: %d===========\n',maxgens,popsize);
%fprintf('Final Generation\n');
%Chromosome = SORT(Chromosome,popsize,tpl,test_func);
%disp(Chromosome)
fprintf('Generation Number: %d\nPopulation Size: %d\nCrossover Rate: %.2f\nMutation Rate: %.2f\nDimensions: %d\n',maxgens,popsize,pc,pm,tpl);
%fprintf('\nThe Fittest Chromosome is\n');
%disp(Chromosome(fi,:)')
%fprintf('Using Tournament Selection\n');
fprintf('Fitness Function Value of %.16f\nTotal Runtime of %f seconds\n',fittest,toc);
fprintf('The Root for Test Function %d is:\n',test_func);
disp(Chromosome(fi,:))
fprintf('==================================================================\n');
%%
figure
subplot(2,1,1);
plot(iteration_array,fittest_array);
legend('Cost Function Value');
xlabel('Generation');
ylabel('Fitness of fittest Chromosome');

solution_array = transpose(solution_array);
subplot(2,1,2);
plot(iteration_array,solution_array);
xlabel('Generation');
ylabel('Solution of fittest Chromosome');
%%
%end

结果：