matlab-的遺傳算法實(shí)例-文庫(kù)吧資料
2024-08-17 22:52本頁(yè)面
【正文】 。,[0 10])hold onplot(x,y,39。endfplot(39。x(i)=decodechrom(pop5,1,chromlength)*10/1023。n(i)=i。 %變異[bestindividual,bestfit]=best(pop,fitvalue)。 %復(fù)制[newpop]=crossover(pop,pc)。 %計(jì)算目標(biāo)函數(shù)fitvalue=calfitvalue(objvalue)。 %變異概率pop=initpop(popsize,chromlength)。 %字符串長(zhǎng)度（個(gè)體長(zhǎng)度）pc=。endend% 主程序%遺傳算法主程序%Name:clearclfpopsize=20。for i=2:pxif fitvalue(i)bestfitbestindividual=pop(i,:)。bestindividual=pop(1,:)。endelsenewpop(i)=pop(i)。if any(newpop(i,mpoint))==0newpop(i,mpoint)=1。if mpoint=0mpoint=1。newpop=ones(size(pop))。遺傳算法的變異特性可以使求解過程隨機(jī)地搜索到解可能存在的整個(gè)空間，因此可以在一定程度上求得全局最優(yōu)解。endend% 變異% 變異(mutation)，基因的突變普遍存在于生物的進(jìn)化過程中。elsenewpop(i,:)=pop(i)。newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)]。newpop=ones(size(pop))。% 事實(shí)上交又是遺傳算法區(qū)別于其它傳統(tǒng)優(yōu)化方法的主要特點(diǎn)之一。例如，假設(shè)2個(gè)父代個(gè)體x1，x2為：% x1=0100110% x2=1010001% 從每個(gè)個(gè)體的第3位開始交叉，交又后得到2個(gè)新的子代個(gè)體y1，y2分別為：% y1＝0100001% y2＝1010110% 這樣2個(gè)子代個(gè)體就分別具有了2個(gè)父代個(gè)體的某些特征。elsefitin=fitin+1。while newin=pxif(ms(newin))fitvalue(fitin)newpop(newin)=pop(fitin)。 %從小到大排列fitin=1。 %如 fitvalue=[1 2 3 4]，則 cumsum(fitvalue)=[1 3 6 10] [px,py]=size(pop)。 %求適應(yīng)值之和fitvalue=fitvalue/totalfit。程序中采用賭輪盤選擇法選擇，這種方法較易實(shí)現(xiàn)。endfitvalue=fitvalue39。elsetemp=。[px,py]=size(objvalue)。 %計(jì)算目標(biāo)函數(shù)值% 計(jì)算個(gè)體的適應(yīng)值%遺傳算法子程序%Name:%計(jì)算個(gè)體的適應(yīng)值function fitvalue=calfitvalue(objvalue)global Cmin。 %將pop每行轉(zhuǎn)化成十進(jìn)制數(shù)x=temp1*10/1023。% 計(jì)算目標(biāo)函數(shù)值% ，其公式采用本文示例仿真，可根據(jù)不同優(yōu)化問題予
研究報(bào)告相關(guān)推薦
鄂ICP備17016276號(hào)-1