遺傳算法及優(yōu)化問題重要有代碼(編輯修改稿)
2025-04-22 04:39 本頁面
【文章內(nèi)容簡介】 的最優(yōu)解可不被交叉和變異操作所破壞．但是，這也隱含了一種危機，即局部最優(yōu)個體的遺傳基因會急速增加而使進化有可能限于局部解．也就是說，該方法的全局搜索能力差，它更適合單峰性質(zhì)的搜索空間搜索，而不是多峰性質(zhì)的空間搜索．所以此方法一般都與其他選擇方法結(jié)合使用．定理3 具有定理1所示參數(shù)，且在選擇后保留當前最優(yōu)值的遺傳算法最終能收斂到全局最優(yōu)解．當然，在選擇算子作用后保留當前最優(yōu)解是一項比較復雜的工作，因為該解在選擇算子作用后可能丟失．但是定理3至少表明了這種改進的遺傳算法能夠收斂至全局最優(yōu)解．有意思的是，實際上只要在選擇前保留當前最優(yōu)解，就可以保證收斂，定理4描述了這種情況．定理4 具有定理1參數(shù)的，且在選擇前保留當前最優(yōu)解的遺傳算法可收斂于全局最優(yōu)解．例2：設，求 ，編碼長度為5，采用上述定理4所述的“在選擇前保留當前最優(yōu)解的遺傳算法”進行．此略，留作練習．二、相關(guān)函數(shù)（命令）及簡介本實驗的程序中用到如下一些基本的Matlab函數(shù)：ones, zeros, sum, size, length, subs, double 等，以及 for, while 等基本程序結(jié)構(gòu)語句，讀者可參考前面專門關(guān)于Matlab的介紹，也可參考其他數(shù)學實驗章節(jié)中的“相關(guān)函數(shù)（命令）及簡介”內(nèi)容，此略．三、實驗內(nèi)容上述例1的求解過程為：群體中包含六個染色體，每個染色體用22位0—1碼，變量區(qū)間為 ，取Fmin=，遺傳代數(shù)為50代，則運用第一種終止條件（指定遺傳代數(shù)）的Matlab程序為：[Count,Result,BestMember]=Genetic1(22,6,39。x*x+2*x+39。,1,2,2,50)執(zhí)行結(jié)果為：Count = 50Result = BestMember = 圖2 例1的計算結(jié)果（注：上圖為遺傳進化過程中每一代的個體最大適應度；而下圖為目前為止的個體最大適應度——單調(diào)遞增）我們通過Matlab軟件實現(xiàn)了遺傳算法，得到了這題在第一種終止條件下的最優(yōu)解：，．當然這個解和實際情況還有一點出入（應該是取1時，），但對于一個計算機算法來說已經(jīng)很不錯了．我們也可以編制Matlab程序求在第二種終止條件下的最優(yōu)解．此略，留作練習．實踐表明，此時的遺傳算法只要經(jīng)過10代左右就可完成收斂，得到另一個“最優(yōu)解”，與前面的最優(yōu)解相差無幾．四、自己動手1． ，求例1的在第二種終止條件下的最優(yōu)解．提示：一個可能的函數(shù)調(diào)用形式以及相應的結(jié)果為：[Count,Result,BestMember]=Genetic2(22,6,39。x*x+2*x+39。,1,2,2,)Count = 13Result = BestMember = 可以看到：兩組解都已經(jīng)很接近實際結(jié)果，對于兩種方法所產(chǎn)生的最優(yōu)解差異很?。梢娺@兩種終止算法都是可行的，而且可以知道對于例1的問題，遺傳算法只要經(jīng)過10代左右就可以完成收斂，達到一個最優(yōu)解．2． 按照例2的具體要求，用遺傳算法求上述例2的最優(yōu)解．3． 附錄9子程序 ．若去掉前面的%號，則程序的算法思想有什么變化？4． 附錄9子程序 ，當Dim(1)=3時，將交換數(shù)組Population的最后兩行，即交換最后面的兩個個體．其目的是什么？5． ，修改附錄9子程序 ，使得交叉過程也有一個概率值（~）；，以便代入交叉概率．6． 設，求 ，要設定求解精度到15位小數(shù)．五、附錄附錄1：function [Count,Result,BestMember]=Genetic1(MumberLength,MemberNumber,FunctionFitness,MinX,MaxX,Fmin,MutationProbability,Gen)Population=PopulationInitialize(MumberLength,MemberNumber)。global Count。global CurrentBest。Count=1。PopulationCode=Population。PopulationFitness=Fitness(PopulationCode,FunctionFitness,MinX,MaxX,MumberLength)。PopulationFitnessF=FitnessF(PopulationFitness,Fmin)。PopulationProbability=Probability(PopulationFitnessF)。[Population,CurrentBest,EachGenMaxFitness]=Elitist(PopulationCode,PopulationFitness,MumberLength)。EachMaxFitness(Count)=EachGenMaxFitness。MaxFitness(Count)=CurrentBest(length(CurrentBest))。while CountGen NewPopulation=Select(Population,PopulationProbability,MemberNumber)。 Population=NewPopulation。 NewPopulation=Crossing(Population,FunctionFitness,MinX,MaxX,MumberLength)。 Population=NewPopulation。 NewPopulation=Mutation(Population,MutationProbability)。 Population=NewPopulation。 PopulationFitness=Fitness(Population,FunctionFitness,MinX,MaxX,MumberLength)。 PopulationFitnessF=FitnessF(PopulationFitness,Fmin)。 PopulationProbability=Probability(PopulationFitnessF)。 Count=Count+1。 [NewPopulation,CurrentBest,EachGenMaxFitness]=Elitist(Population,PopulationFitness,M
黨政相關(guān)相關(guān)推薦
鄂ICP備17016276號-1