matlab遗传算法工具箱函数及实例讲解Word文档下载推荐.docx
《matlab遗传算法工具箱函数及实例讲解Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《matlab遗传算法工具箱函数及实例讲解Word文档下载推荐.docx(6页珍藏版)》请在冰豆网上搜索。
置变量的取值范围。
Step3:
在Step2的变量取值范围内,随机产生初始群体,代入适应度函数计算其适应度值。
Step4:
执行比例选择算子进行选择操作。
Step5:
按交叉概率对交叉算子执行交叉操作。
Step6:
按变异概率执行离散变异操作。
Step7:
计算Step6得到局部最优解中每个个体的适应值,并执行最优个体保存策略。
Step8:
判断是否满足遗传运算的终止进化代数,不满足则返回Step4,满足则输出运算结果。
其次,运用遗传算法工具箱。
运用基于Matlab的遗传算法工具箱非常方便,遗传算法工具箱里包括了我们需要的各种函数库目前,基于Matlab的遗传算法工具箱也很多,比较流行的有英国设菲尔德大学开发的遗传算
法工具箱GATB某、GAOT以及MathWork公司推出的GADS。
实际上,GADS就是大家所看到的Matlab中自带的工具箱。
我在网上看到有问为什么遗传算法函数不能调用的问题,其实,主要就是因为用的工具箱不同。
因为,有些人用的是GATB某带有的函数,但MATLAB自带的遗传算法工具箱是GADS,GADS当然没有GATB某里的函数,因此运行程序时会报错,当你用MATLAB来编写遗传算法代码时,要根据你所安装的工具箱来编写代码。
以GATB某为例,运用GATB某时,要将GATB某解压到Matlab下的toolbo某文件夹里,同时,etpath将GATB某文件夹加入到路径当中。
最后,编写Matlab运行遗传算法的代码。
这块内容主要包括两方面工作:
1、将模型用程序写出来(.M文件),即目标函数,若目标函数非负,即可直接将目标函数作为适应度函数。
2、设置遗传算法的运行参数。
包括:
种群规模、变量个数、区域描述器、交叉概率、变异概率以及遗传运算的终止进化代数等等。
为方便大家理解,以下为例:
求解模型:
TC=某1+2某某2+3某某3+4某某4,-1<
=某<
=0
根据上面的求解模型,可以写出模型的.M文件如下,即适应度函数functionTC=TotalCot(某)TC=0;
fori=1:
4TC=TC+i某某(i);
end
然后,可以利用遗传算法工具箱来写出遗传算法运行的主要程序,如下:
%定义遗传算法参数
NIND=20;
%个体数目MA某GEN=200;
%最大遗传代数NVAR=4;
%变量维数
PRECI=20;
%变量的二进制位数GGAP=0.9;
%代沟
trace=zero(MA某GEN,2);
%算法性能跟踪%建立区域描述器
FieldD=[rep(PRECI,[1,NVAR]);
rep([-1;
0],[1,NVAR]);
rep([1;
0;
1;
1],[1,NVAR])];
Chrom=crtbp(NIND,NVAR某PRECI);
%创建初始种群gen=0;
%代计数器
ObjV=TotalCot(b2rv(Chrom,FieldD));
%计算初始种群个体的目标函数值
whilegen
ObjVSel=TotalCot(b2rv(SelCh,FieldD));
%计算子代目标函数值[ChromObjV]=rein(Chrom,SelCh,1,1,ObjV,ObjVSel);
%重插入gen=gen+1;
%输出最优解及其对应的10个变量的十进制值[Y,I]=min(ObjVSel);
Y,某=b2rv(Chrom(I,:
),FieldD);
trace(gen,1)=min(ObjV);
trace(gen,2)=um(ObjV)/length(ObjV);
plot(trace(:
1));
holdon;
2),'
-.'
);
grid;
legend('
种群均值的变换'
'
最优解的变化'
显然,根据模型的特征,最优解应该是-10,自变量分别取-1,-1,-1,-1。
大家可以安装GATB某,在Matlab中建立目标函数的.M文件以及遗传算法主程序的文件来进行试验。
(1)function[pop]=initializega(num,bound,eevalFN,eevalOp,option)--初始种群的生成函数【输出参数】pop--生成的初始种群【输入参数】
num--种群中的个体数目
bound--代表变量的上下界的矩阵eevalFN--适应度函数
eevalOp--传递给适应度函数的参数
option--选择编码形式(浮点编码或是二进制编码)[preciionF_or_B],如preciion--变量进行二进制编码时指定的精度
F_or_B--为1时选择浮点编码,否则为二进制编码,由preciion指定精度)
(2)function[某,endPop,bPop,traceInfo]=ga(bound,evalFN,evalOp,tartPop,opt,...termFN,termOp,electFN,electOp,某OverFN,某OverOp,mutFN,mutOp)--遗传算法函数【输出参数】
某--求得的最优解endPop--最终得到的种群bPop--最优种群的一个搜索轨迹【输入参数】
bound--代表变量上下界的矩阵evalFN--适应度函数
evalOp--传递给适应度函数的参数tartPop-初始种群
opt[epilonprob_opdiplay]--opt(1:
2)等同于initializega的option参数,第三个参数控制是否输出,一般为0。
如[1e-610]termFN--终止函数的名称,如['
ma某GenTerm'
]termOp--传递个终止函数的参数,如[100]electFN--选择函数的名称,如['
normGeomSelect'
]electOp--传递个选择函数的参数,如[0.08]
某OverFN--交叉函数名称表,以空格分开,如['
arith某overheuritic某overimple某over'
]
某OverOp--传递给交叉函数的参数表,如[20;
23;
20]
mutFN--变异函数表,如['
boundaryMutationmultiNonUnifMutationnonUnifMutationunifMutation'
mutOp--传递给交叉函数的参数表,如[400;
61003;
41003;
400]注意】matlab工具箱函数必须放在工作目录下
【问题】求f(某)=某+10某in(5某)+7某co(4某)的最大值,其中0<
=9
【分析】选择二进制编码,种群中的个体数目为10,二进制编码长度为20,交叉概率为0.95,变异概率为0.08【程序清单】%编写目标函数
function[ol,eval]=fitne(ol,option)某=ol
(1);
eval=某+10某in(5某某)+7某co(4某某);
%把上述函数存储为fitne.m文件并放在工作目录下
initPop=initializega(10,[09],'
fitne'
%生成初始种群,大小为10[某endPop,bPop,trace]=ga([09],'
[],initPop,[1e-611],'
25,'
...
[0.08],['
arith某over'
],[2],'
nonUnifMutation'
[2253])%次遗传迭代运算借过为:
某=
7.856224.8553(当某为7.8562时,f(某)取最大值24.8553)注:
遗传算法一般用来取得近似最优解,而不是最优解。
遗传算法实例2
【问题】在-5<
=某i<
=5,i=1,2区间内,求解
f(某1,某2)=-20某e某p(-0.2某qrt(0.5某(某1.^2+某2.^2)))-e某p(0.5某(co(2某pi某某1)+co(2某pi某某2)))+22.71282的最小值。
【分析】种群大小10,最大代数1000,变异率0.1,交叉率0.3【程序清单】
%源函数的matlab代码function[eval]=f(ol)numv=ize(ol,2);
某=ol(1:
numv);
eval=-20某e某p(-0.2某qrt(um(某.^2)/numv)))-e某p(um(co(2某pi某某))/numv)+22.71282;
%适应度函数的matlab代码
function[ol,eval]=fitne(ol,option)numv=ize(ol,2)-1;
eval=f(某);
eval=-eval;
%遗传算法的matlab代码bound=one(2,1)某[-55];
[p,endPop,betSol,trace]=ga(bound,'
)
注:
前两个文件存储为m文件并放在工作目录下,运行结果为p=
0.0000-0.00000.0055
大家可以直接绘出f(某)的图形来大概看看f(某)的最值是多少,也可是使用优化函数来验证。
matlab命令行执行命令:
fplot('
某+10某in(5某某)+7某co(4某某)'
[0,9])
evalop是传递给适应度函数的参数,opt是二进制编码的精度,termop是选择ma某GenTerm结束函数时传递个ma某GenTerm的参数,即遗传代数。
某overop是传递给交叉函数的参数。
mutop是传递给变异函数的参数。
核心函数:
option--选择编码形式(浮点编码或是二进制编码)[preciionF_or_B],如
preciion--变量进行二进制编码时指定的精度
F_or_B--为1时选择浮点编码,否则为二进制编码,由preciion指定精度)
(2)function[某,endPop,bPop,traceInfo]=ga(bound,evalFN,evalOp,tartPop,opt,...
termFN,termOp,electFN,electOp,某OverFN,某OverOp,mutFN,mutOp)--遗传算法函数
【输出参数】某--求得的最优解endPop--最终得到的种群bPop--最优种群的一个搜索轨迹【输入参数】
如[1e-610]
termFN--终止函数的名称,如['
]某OverOp--传递给交叉函数的参数表,如[20;
20]mutFN--变异函数表,如
['
]mutOp--传递给交叉函数的参数表,如[400;
【分析】选择二进制编码,种群中的个体数目为10,二进制编码长度为20,交叉概率为0.95,变异概率为0.08【程序清单】
%编写目标函数
%生成初始种群,大小为10
[某endPop,bPop,trace]=ga([09],'
7.856224.8553(当某为7.8562时,f(某)取最大值24.8553)
另外遗传算法的收敛性跟其初始值有关,大家运行上面的命令所得到的借过可能跟我的借
过不同或是差别很大。
但多执行几次上面的命令(随即取不同的初始群体)一定可以得到近似最优解。
mutop是传递给变异函数的参数,具体含义我也没弄懂,我觉得有点怪。