遗传算法

一、遗传算法

1.定义

遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法 。 遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。

2.算法思想

借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。

3.实现

在计算机上模拟生物的进化过程和基因的操作（选择、 交叉、变异）。

4.目的

（1）抽象和严谨地解释自然界的适应过程；
（2） 将自然生物系统的重要机理运用到人工系统的设计中。

5.具体步骤

遗传算法的基本步骤是：
1、随机产生初始群体；
2、判断是否满足终止条件，若符合，输出结果，结束；否则，进行下一步，计算每个个体的适应值；
3、依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体被淘汰
4、选择一个个体复制到新群体；
5、按照一定的交叉概率和交叉方法，变异概率和变异方法生成新的个体；
6、由交叉和变异产生新一代种群，返回步骤2

二、代码实现和分析

1.GA.m

主函数，能改变群体规模（N）和维度（Dim）等变量。

clc;clear all;

format long;%设定数据显示格式

%初始化参数

T=500;%仿真代数

N=80;% 群体规模

pm=0.05;pc=0.8;%交叉变异概率

umax=30;umin=-30;%参数取值范围

L=10;%单个参数字串长度，总编码长度Dim*L
Dim=5;%Dim维空间搜索

bval=round(rand(N,Dim*L));%初始种群，round函数为四舍五入

bestv=-inf;%最优适应度初值
funlabel=2;       %选择待优化的函数，1为Rastrigin,2为Schaffer,3为Griewank
Drawfunc(funlabel);%画出待优化的函数，只画出二维情况作为可视化输出

%迭代开始

for ii=1:T

%解码，计算适应度

    for i=1:N  %对每一代的第i个粒子
        for k=1:Dim
            y(k)=0;
            for j=1:1:L  %从1到L，每次加以1

               y(k)=y(k)+bval(i,k*L-j+1)*2^(j-1);%把第i个粒子转化为十进制的值，例如y1是第一维

            end 
            x(k)=(umax-umin)*y(k)/(2^L-1)+umin;%转化为实际的x1
        end

  %     obj(i)=100*(x1*x1-x2).^2+(1-x1).^2; %目标函数 
       obj(i)=fun(x,funlabel);
       xx(i,:)=x;

    end

    func