遗传算法MATLAB程序设计.doc

WORD格式可编辑 专业知识分享 摘自 Matlab在数学建模中的应用， 北航出版社，2011.4 4.2遗传算法MATLAB程序设计 4.2.1程序设计流程及参数选取 4.2.1.1 BEGIN t = 0 ; %Generations NO. 初始化P(t) ; %Initial Population or Chromosomes 计算P(t) 的适应值; while (不满足停止准则) do begin t = t+1 ; 从P(t-1)中选择P(t) ; % Selection 重组P(t) ; % Crossover and Mutation 计算P(t) 的适应值; end END 4.2.1.2 在单纯的遗传算法当中，也并不总是收敛，即使在单峰或单调也是如此。这是因为种群的进化能力已经基本丧失，种群早熟。为了避免种群的早熟，参数的设计一般遵从以下原则[5]： （1）种群的规模：当群体规模太小时，很明显会出现近亲交配，产生病态基因。而且造成有效等位基因先天缺乏，即使采用较大概率的变异算子，生成具有竞争力高阶模式的可能性仍很小，况且大概率变异算子对已有模式的破坏作用极大。同时遗传算子存在随机误差（模式采样误差），妨碍小群体中有效模式的正确传播，使得种群进化不能按照模式定理产生所预测的期望数量；种群规模太大，结果难以收敛且浪费资源，稳健性下降。种群规模的一个建议值为0~100。 （2）变异概率：当变异概率太小时，种群的多样性下降太快，容易导致有效基因的迅速丢失且不容易修补；当变异概率太大时，尽管种群的多样性可以得到保证，但是高阶模式被破坏的概率也随之增大。变异概率一般取0.0001~0.2。 （3）交配概率：交配是生成新种群最重要的手段。与变异概率类似，交配概率太大容易破坏已有的有利模式，随机性增大，容易错失最优个体；交配概率太小不能有效更新种群。交配概率一般取0.4~0.99。 （4）进化代数：进化代数太小，算法不容易收敛，种群还没有成熟；代数太大，算法已经熟练或者种群过于早熟不可能再收敛，继续进化没有意义，只会增加时间开支和资源浪费。进化代数一般取100~500。 （5）种群初始化：初始种群的生成是随机的；在初始种群的赋予之前，尽量进行一个大概的区间估计，以免初始种群分布在远离全局最优解的编码空间，导致遗传算法的有哪些信誉好的足球投注网站范围受到限制，同时也为算法减轻负担。 4.2.1.3 （1）在遗传算法运行的初期阶段 群体中可能会有少数几个个体的适应度相对其他个体来说非常高。若按照常用的比例选择算子来确定个体的遗传数量时，则这几个相对较好的个体将在下一代群体中占有很高的比例，在极端情况下或当群体现模较小时，新的群体甚至完全由这样的少数几个个体所组成。这时交配运算就起不了什么作用，因为相同的两个个体不论在何处发生交叉行为都永远不会产生新的个体。这样就会使群体的多样性降低，容易导致遗传算法发生早熟现象（或称早期收敛)，使遗传算法所求到的解停留在某一局部最优点上。因此，我们希望在遗传算法运行的初期阶段，算法能够对一些适应度较高的个体进行控制，降低其适应度与其他个体适应度之间的差异程度，从而限制其复制数量，以维护群体的多样性。 （2）在遗传算法运行的后期阶段 群体中所有个体的平均适应度可能会接近于群体中最佳个体的适应度。也就是说，大部分个体的适应度和最佳个体的适应度差异不大，它们之间无竞争力，都会有以相接近的概率被遗传到下一代的可能性，从而使得进化过程无竞争性可言，只是一种随机的选择过程。这将导致无法对某些重点区域进行重点有哪些信誉好的足球投注网站，从而影响遗传算法的运行效率。因此，我们希望在遗传算法运行的后期阶段，算法能够对个体的适应度进行适当的放大，扩大最佳个体适应度与其他个体适应度之间的差异程度，以提高个体之间的竞争性。 4.2.2 MATLAB遗传算法工具箱 4.2.2.1 GA 为了省略艰深难懂的遗传算法数学理论和降低程序开发的难度，MATLAB软件已经将遗传算法命令进行了封装，做成专门的遗传算法工具箱(GA Toolbox)，方便用户调用。关于遗传算法工具箱，需要说明三点： ①目前基于MATLAB环境下遗传算法工具箱的版本较多，各版本的功能和用法也不完全相同，需要加以区分。倘若想要使用某个工具箱，但是MATLAB没有自带，则用户需要自行安装。目前GA T