本科畢業(yè)設計】基本遺傳算法及其在函數(shù)優(yōu)化中的應用-wenkub
2023-06-14 17:23:33 本頁面
【正文】 scale,my_fit) sum_of_f=sum(my_fit)。 end %子函數(shù)：計算適應度值 function my_fit=cal_my_fit(my_f) f_min=5。 end %子函數(shù)：計算函數(shù)值 function my_f=cal_my_f(new_scale) mychange=my2to10(new_scale)。)。 disp(39。 fittimer=[fittimer,i]。 end end new_scale=mut_scale。 for j=2:length(my_fit) if best_fitmy_fit(j) best_fit=my_fit(j)。 %采用賭輪盤法選擇 cross_scale=my_cross(next_scale,pc)。 best_x1=[]。 %變異概率 new_scale=produscale(my_scale,gen_len)。 %種群規(guī)模 gen_len=22。 選擇的過程很重要，決定著最終結(jié)果和收斂速度等。 所以編碼的二進制串 長應為 22 位。 基本遺傳算法框圖 與結(jié)果 本小節(jié)采用以下函數(shù)： f(x)=xsin(10π x)+， x?[1,2] 編碼 表現(xiàn)型： x 基因型：二進制編碼（串長取決于求解精度） 按編碼原理：假設要求求解精度到 6 位小數(shù)，區(qū)間長度為 2(1)＝ 3，即需將區(qū)間分為開始 Gen=0 編碼 隨機產(chǎn)生 M 個初始個體 滿足終止條件 ? 計算群體中各個體適應度 從左至右依次執(zhí)行遺傳算子 j = 0 j = 0 j = 0 根據(jù)適應度選擇復制個體 選擇兩個交叉?zhèn)€體 選擇個體變異點 執(zhí)行變異 執(zhí)行交叉 執(zhí)行復制 將復制的個體添入新群體中 將交叉后的兩個新個體添入新群體中 將變異后的個體添入新群體中 j = j+1 j = j+2 j = j+1 j = M? j = pc 遺傳算法的特點 其主要特點是直接對結(jié)構對象進行操作，不存在求導和 函數(shù) 連續(xù)性的限定；具有內(nèi)在的隱并行性和更好的全局尋優(yōu)能力；采用 概率 化的尋優(yōu)方法，能自動獲取和指導優(yōu)化的搜索 空間 ，自適應地調(diào)整搜索方向，不需要確定的規(guī)則。 本文利用基本遺傳算法求解函數(shù)優(yōu)化問題，選用 f(x)=xsin(10π x)+，取值 范圍在 ]2,1[? 中，利用基本遺傳算法求解兩個函數(shù)的最優(yōu)值，遺傳算法每次 100代，一共執(zhí)行 10次，根據(jù)運算結(jié)果分析得到最優(yōu)解。 關鍵字 ：遺傳算法 選擇 交叉 變異 函數(shù)優(yōu)化 基本概念 遺傳 算法 （ Geic Algorithm）是一類借鑒生物界的進化規(guī)律（適者生存，優(yōu)勝劣汰遺傳機制）演化而來的 隨機 化搜索方法。 遺傳算法的應用 函數(shù)優(yōu)化，組合優(yōu)化，機器人智能控制，及組合圖像 處理和模式識別等。M? j = pm 產(chǎn)生初始種群 產(chǎn)生的方式：隨機 產(chǎn)生的結(jié)果：長度為 22 的二進制串 產(chǎn)生的數(shù)量：種群的大小（規(guī)模），如 30， 50，… 1111010011100001011000 1100110011101010101110 1010100011110010000100 1011110010011100111001 0001100101001100000011 0000011010010000000000 ... 計算適應度 直接用目標函數(shù)作為適應度函數(shù) ①解碼：將個體 s 轉(zhuǎn)化為 [1,2]區(qū)間的實數(shù)： s=1000101110110101000111 → x= ②計算 x 的函數(shù)值（適應度）： f(x)=xsin(10π x)+= 遺傳操作 選擇：比例選擇法； 交叉：單點交叉； 變異：小概率變 異 模擬結(jié)果 設置的參數(shù)： 種群大小 80；交叉概率 ；變異概率 ；最大代數(shù) 100。 對于任何一個具體的優(yōu)化問題，調(diào)節(jié)遺傳算法的參數(shù)可能會有利于更好的更快的收斂，這些參數(shù)包括個體數(shù)目、交叉律和變異律 。 %基因長度 M=100。 %產(chǎn)生初始種群 fitfit=[]。 for i=1:M my_f=cal_my_f(new_scale)。 %按概率交叉 mut_scale=my_mutat(cross_scale,pm)。 best_f=my_f(j)。 fitfit=[fitfit,best_fit]。 end [best_fit,loca]=max(fitfit)。[best_fit,best_f,best_x]=39。 ylabel(39。 [sx,sy]=size(new_scale)。 for i=1:length(my_f) if my_f(i)+f_min=0 my_fit(i)=0。 accum=my_fit/sum_of_f。 while j=sx a=rand。accum(i+1)=a next_scale(j,:)=new_scale(i+1,:)。 for i=1:2:sx1 if randpc a=round(rand*sy)。 mut_scale=new_scale。 else mut_scale(i,a)=0。 end
畢業(yè)設計相關推薦
鄂ICP備17016276號-1