遗传算法与非线性规划结合求解函数极值

最新推荐文章于 2024-07-24 00:22:24 发布

尘中客__

最新推荐文章于 2024-07-24 00:22:24 发布

阅读量1.5w

点赞数 4

分类专栏：智能算法

本文链接：https://blog.csdn.net/ycxyj/article/details/54427017

版权

本文探讨了遗传算法和非线性规划结合在求解函数极值中的应用。由于遗传算法全局搜索能力强但易陷入局部最优，而梯度下降局部搜索强，二者结合能提高找到全局最优解的可能性。通过MATLAB实现，经过固定次数迭代，遗传算法找出可能的解，然后使用梯度下降算法在这些解中寻找最佳解。实验结果显示，对于简单的函数，直接使用遗传算法也能找到最优值。

摘要由CSDN通过智能技术生成

动机

MATLAB经典非线性规划算法大多采用梯度下降的方法进行求解，局部搜索能力较强，但容易掉入局部极值，而遗传算法采用选择、交叉和变异算子进行搜索，全局搜索能力较强，局部搜索能力较弱
打个比方的话，大概就是遗传算法可以看到各个山丘，但它不会去分辨哪个才是最高的，很容易随便选一个就爬上去了。而梯度下降算法视野比较窄，但它会在看到的那些里爬到最高的山上去
如果将二者结合，就很有可能能够得到问题的全局最优解

流程

这里写图片描述
N是个固定的数，先用遗传算法进行N次迭代（即先找出那些山丘），等到了N次，再用梯度下降算法来在这些山丘里寻求最高的那个

MATLAB代码

clc
clear all
close all

%定义自变量的范围
lbx1=0;ubx1=2.8274; 
lbx2=0;ubx2=2.8274;
lbx3=0;ubx3=2.8274;
lbx4=0;ubx4=2.8274;
lbx5=0;ubx5=2.8274;

%% 定义遗传算法参数
NIND=100;        %个体数目
MAXGEN=30;      %最大遗传代数
PRECI=20;       %变量的二进制位数
GGAP=0.95;      %代沟
px=0.6;         %交叉概率
pm=0.1;        %变异概率
trace=zeros(MAXGEN,6);                        %寻优结果的初始值

FieldD=[PRECI PRECI PRECI PRECI PRECI;lbx1 lbx2 lbx3 lbx4 lbx5;ubx1 ubx2 ubx3 ubx4 ub