matlab遺传算法学习和全局化算法.doc

1 遗传算法步骤 1 根据具体问题选择编码方式，随机产生初始种群，个体数目一定，每个个体表现为染色体的基因编码 2 选择合适的适应度函数，计算并评价群体中各个体的适应。 3 选择(selection)。根据各个个体的适应度，按照一定的规则或方法，从当前群体中选择出一些优良的个体遗传到下一代群体 4 交叉(crossover)。将选择过后的群体内的各个个体随机搭配成对，对每一对个体，以一定概率(交叉概率)交换它们中的部分基因。 5 变异(mutation)。对交叉过后的群体中的每一个个体，以某个概率(称为变异概率)改n 变某一个或某一些基因位上的基因值为其他的等位基因 6 终止条件判断。若满足终止条件，则以进化过程中得到的具有最大适应度的个体作为最优解输出，终止运算。否则，迭代执行Step2 至Step5。 适应度是评价群体中染色体个体好坏的标准，是算法进化的驱动力，是自然选择的唯一依据，改变种群结构的操作皆通过适应度函数来控制。在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代群体中的概率。个体的适应度越大，被遗传到下一代的概率就越大，相反，被遗传到下一代的概率就越小。 1 [a,b,c]=gaopt(bound,fun)其中，bound=[xm，xM]为求解区间上届和下届构成的矩阵。Fun为用户编写的函数。a为有哪些信誉好的足球投注网站的结果向量，由有哪些信誉好的足球投注网站的出的最优x向量与目标函数构成，b为最终有哪些信誉好的足球投注网站种群，c为中间有哪些信誉好的足球投注网站过程变参数，其第一列为代数，后边列分别为该代最好的的个体与目标函数的值，可以认为寻优的中间结果。 2 ga函数。[X,F, FLAG,OUTPUT] = GA(fun, n,opts).n为自变量个数，opts为遗传算法控制选项，用gaoptimset（）函数设置各种选项，InitialPopulation可以设置初始种群，用PopulationSize可以设置种群规模，SelectionFcn可以定义选择函数， 3 gatool 函数用于打开，GATOOL is now included in OPTIMTOOL。 2.2 通过GUI 使用遗传算法 在Matlab 工作窗口键入下列命令gatool， 或通过Start 打开其下子菜单Genetic Algorithm Tool，如图1。只要在相应的窗格选择相应的选项便可进行遗传算法的计算。其中fitnessfun 窗格为适应度函数， 填写形式为@fitnessfun，Number of variable 窗格为变量个数。其它窗格参数根据情况填入。填好各窗格内容，单击Start 按钮，便可运行遗传算法 例子1 应用实例 已知某一生物的总量y（单位：万个）与时间t（月）之间的关系为y=k0(1-exp(-k1*t))， 统计十个月得到数据见表1，试求关系式中的k0，k1。先编写目标函数，并以文件名myfung.m 存盘。 function y=myfung(x) TOT=[2.0567 3.6904 4.9881 6.0189 6.8371 7.4881 8.0047 8.4151 8.7411 9.0000]; t=1:10;[r,s]=size(TOT);y=0; for i=1:s y=y+(TOT(i)-x(:,1)*(1-exp(-x(:,2)*t(i))))^2 %最小估计原则 end 打开遗传算法的GUI，在Fitness function 窗格中输入@myfung，在Number of variables 窗格中输入数字2，在Stopping criteria 选项中设置generations 为300，fitness limit 为0.001，stall generations 为100，其它参数为缺省值，然后单击Start 运行遗传算法得到k0=9.99559，k1=0.23018，即 例子2 2 matlab 7 GA工具箱_木子一车（转载） 例子1求的最大值；也就是求负函数的最小值 最大值为-38.8503,在点 xmin=[11.6255 5.7250]; clear f=@(x1,x2)(-(21.5+x1.*sin(4*pi*x1)+x2.*sin(20*pi*x2))) t1=-3:0.1:12.1; t2=4:1.8/(length(t1)-1):5.8; [x,y]=meshgrid(t1,t2); mesh(x,y,f(x,y)) 方法1 遗传算法 f=@(x)-(21.5+x(1)*sin(4*pi*x(1))+x(2)*sin(20*pi*x(2))); opt1 = gaoptimset; opt1.PopInitRange = [[-3.0 4.1];[12.1 5.8]]; opt1.PopulationSize = 100