本科畢業(yè)設計】基本遺傳算法及其在函數優(yōu)化中的應用-全文預覽
【正文】 o to do something, or write something. Twenty years of life trajectory deeply shallow, suddenly feel something, do it. 一字開頭的年齡已經到了尾聲。s 21 win. Michel Platini, president of European football39。s antiracism taskforce, is in London for the Football Association39。t agree with the disciplinary action your employer has taken against you ? your employer dismisses you and you think that you have been dismissed unfairly. For more information about dismissal and unfair dismissal, see Dismissal. You can make a claim to an employment tribunal, even if you haven39。 new_scale1=new_scale。 if a=0 a=1。 cross_scale(i+1,:)=[new_scale(i+1,1:a),new_scale(i,a+1:end)]。 end end end end end %子函數：按概率交叉 function cross_scale=my_cross(new_scale,pc) [sx,sy]=size(new_scale)。 else if accum(i)aamp。 [sx,sy]=size(new_scale)。 end end my_fit=my_fit39。 my_f=change_x*sin(10π *change_x)+2。) grid on %子函數：產生初始種群 function initscale=produscale(my_scale,gen_len) initscale=round(rand(my_scale,gen_len))。迭代次數 (1)wxb39。 best_x=best_x1(loca)。 best_x1=[best_x1,best_x]。 best_x=2+best_x.*4./(2^sy1)。 [sx,sy]=size(new_scale)。 %計算適應度值 next_scale=my_sellect(new_scale,my_fit)。 best_f1=[]。 %交叉概率 pm=。 參考文獻： （ 1）蔡自興，徐光祐《人工智能及其應用》 （ 2）馬永，賈俊芳 .遺傳算法研究綜述 .第 23卷 .第三期 .2021 年 12 月； 附錄： 主函數 : clear clc my_scale=50。 遺傳算法在適應度函數選擇不當的情況下有可能收斂于局部最優(yōu)，而不能達到全局最優(yōu)。M? Gen=Gen+1 輸出結果 終止 Y N Y Y Y N N N pc pm 3/=3 106 等份。 停機準則 （ 1） 完成了預先給定的進化代數則停止； （ 2） 群體中的最優(yōu)個體在連續(xù)若干代沒有改進或平均適應度在連續(xù)若干代基本沒有改進時停止。選擇（ Selection）、交叉（ Crossover）和變異（ Mutation）是遺傳算法的 3 個主要操作算子，它們構成了所謂的遺傳操作（ geic operation），使遺傳算法具有了其它傳統(tǒng)方法所沒有的特性。 《人工智能及其應用大作業(yè)（一）》 題 目： 基本遺傳算法及其在函數優(yōu)化中的作用 學 號： 姓 名： 基本遺傳算法及其在函數優(yōu)化中的應用 摘要 ： 從遺傳算法的編碼、遺傳算子等方面剖析了遺傳算法求解無約束函數優(yōu)化問題的一般步驟 ,并以一個實例說明遺傳算法能有效地解決函數優(yōu)化問題。 遺傳算法是一種群體型操作，該操作以群體中的所有個體為對象。 簡單遺傳算法的求解步驟 Step1：參數設置及種群初始化； Step2：適應度評價； Step3：選擇操作； Step4：交叉操作； Step5：變異操作； Step6：終止條件判斷，若未達到終止條件，則轉到 Step3； Step7：輸出結果。L 運行結果如下表： 1 2 3 4 5 6 7 8 9 10 best_fit best_f best_x 由上表可以分析得出的最優(yōu)解為 x=，最大值為 。 遺傳算法并不一定總是最好的優(yōu)化策略，優(yōu)化問題要具體情況具體分析。 %迭代次數 pc=。 fittimer=[]。 %計算函數值 my_fit=cal_my_fit(my_f)。 %按概率變異 %尋找每一代中的最優(yōu)適應度值所對應的個體 best_fit=my_fit(1)。 best_x=my2to10(new_scale(j,:))。 best_f1=[best_f1,best_f]。 best_f=best_f1(loca)。) disp([best
畢業(yè)設計相關推薦
鄂ICP備17016276號-1