遗传算法经典MATLAB代码.docx

发布时间：2022-06-13 发布人：admin 分类：说明书资料大小：0.02M 资料格式：docx 举报版权申诉

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第1页.png

第1页 / 共14页

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第2页.png

第2页 / 共14页

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第3页.png

第3页 / 共14页

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第4页.png

第4页 / 共14页

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第5页.png

第5页 / 共14页

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第6页.png

第6页 / 共14页

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第7页.png

第7页 / 共14页

3fda7c12-b1fa-4f67-9c9d-841ce89c3f46.docx.pdf-第8页.png

第8页 / 共14页

遗传算法经典学习Matlab代码

遗传算法经典学习 Matlab 代码遗传算法实例: 也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。对于初学者，尤其是还没有编程经验的非常有用的一个文件遗传算法实例 % 下面举例说明遗传算法 % % 求下列函数的最大值 % % f(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], 中 b 是 [0,1023] 中的一个二值数。 % x=0+10*b/1023, 其 % % %-------------------------------------------------------------------- ------------------------------------------% %-------------------------------------------------------------------- ------------------------------------------% % 编程 %----------------------------------------------- % 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)。 %遗传算法子程序 %Name: initpop.m %初始化 function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength)); 为 {0,1} 行数为 popsize，列数为 chromlength 的矩阵， % rand 随机产生每个单元 % roud 对矩阵的每个单元进行圆整。这样产生的初始种群。 % % 2.2 计算目标函数值 2.2.1 将二进制数转化为十进制数(1) %遗传算法子程序 %Name: decodebinary.m %产生 [2^n 制 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进 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 % 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 为，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) pop1=pop(:,spoint:spoint+length-1); pop2=decodebinary(pop1); % 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 function [objvalue]=calobjvalue(pop) temp1=decodechrom(pop,1,10); %将 pop 每行转化成十进制数 x=temp1*10/1023; %将二值域中的数转化为变量域的数 objvalue=10*sin(5*x)+7*cos(4*x); %计算目标函数值 % 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 function fitvalue=calfitvalue(objvalue) global Cmin; Cmin=0; [px,py]=size(objvalue); for i=1:px if objvalue(i)+Cmin>0 temp=Cmin+objvalue(i); else temp=0.0; end fitvalue(i)=temp; end fitvalue=fitvalue'; % 2.4 选择复制 % 选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。 % 根据方程 pi=fi/∑fi=fi/fsum ，选择步骤： 1）在第 t 代，由（1）式计算 fsum 和 pi 2）产生 {0,1} 的随机数 rand( .)，求 s=rand( .)*fsum 3）求 ∑fi≥s 中最小的 k ，则第 k 个个体被选中 4）进行 N 次 2）、3）操作，得到 N 个个体，成为第 t=t+1 代种 % % % % 群

%遗传算法子程序 %Name: selection.m %选择复制 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); 则 cumsum(fitvalue)=[1 3 %如 fitvalue=[1 6 10] 2 3 4]， [px,py]=size(pop); ms=sort(rand(px,1)); %从小到大排列 fitin=1; newin=1; while newin<=px if(ms(newin))

% （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。 % 事实上交又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) [px,py]=size(pop); newpop=ones(size(pop)); for i=1:2:px-1 if(rand

end end % 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 function [newpop]=mutation(pop,pm) [px,py]=size(pop); newpop=ones(size(pop)); for i=1:px if(rand

newpop(i,mpoint)=0; end else newpop(i)=pop(i); end end % 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 % 2.8 主程序 %遗传算法主程序

分享到：

赞收藏

资料库

遗传算法经典MATLAB代码.docx

相关推荐

课程资源

热门标签

最新资料