三个遗传算法matlab程序实例.docx
《三个遗传算法matlab程序实例.docx》由会员分享，可在线阅读，更多相关《三个遗传算法matlab程序实例.docx（26页珍藏版）》请在冰豆网上搜索。
三个遗传算法matlab程序实例
遗传算法程序
（一）:
说明:
fga.m为遗传算法的主程序;采用二进制Gray编码,采用基于轮盘赌法的非线性排名选择,均匀交叉,变异操作,而且还引入了倒位操作!
function[BestPop,Trace]=fga（FUN,LB,UB,eranum,popsize,pCross,pMutation,pInversion,options）
%[BestPop,Trace]=fmaxga（FUN,LB,UB,eranum,popsize,pcross,pmutation）
%Findsamaximumofafunctionofseveralvariables.
%fmaxgasolvesproblemsoftheform:
%maxF（X）subjectto:
LB<=X<=UB
%BestPop-最优的群体即为最优的染色体群
%Trace-最佳染色体所对应的目标函数值
%FUN-目标函数
%LB-自变量下限
%UB-自变量上限
%eranum-种群的代数,取100--1000（默认200）
%popsize-每一代种群的规模；此可取50--200（默认100）
%pcross-交叉概率,一般取0.5--0.85之间较好（默认0.8）
%pmutation-初始变异概率,一般取0.05-0.2之间较好（默认0.1）
%pInversion-倒位概率,一般取0.05－0.3之间较好（默认0.2）
%options-1*2矩阵,options
（1）=0二进制编码（默认0）,option
（1）~=0十进制编
%码,option
（2）设定求解精度（默认1e-4）
%
%------------------------------------------------------------------------
T1=clock;
ifnargin<3,error（'FMAXGArequiresatleastthreeinputarguments'）;end
ifnargin==3,eranum=200;popsize=100;pCross=0.8;pMutation=0.1;pInversion=0.15;options=[01e-4];end
ifnargin==4,popsize=100;pCross=0.8;pMutation=0.1;pInversion=0.15;options=[01e-4];end
ifnargin==5,pCross=0.8;pMutation=0.1;pInversion=0.15;options=[01e-4];end
ifnargin==6,pMutation=0.1;pInversion=0.15;options=[01e-4];end
ifnargin==7,pInversion=0.15;options=[01e-4];end
iffind（（LB-UB）>0）
error（'数据输入错误,请重新输入（LB'）;
end
s=sprintf（'程序运行需要约%.4f秒钟时间,请稍等......',（eranum*popsize/1000））;
disp（s）;
globalmnNewPopchildren1children2VarNum
bounds=[LB;UB]';bits=[];VarNum=size（bounds,1）;
precision=options
（2）;%由求解精度确定二进制编码长度
bits=ceil（log2（（bounds（:
2）-bounds（:
1））'./precision））;%由设定精度划分区间
[Pop]=InitPopGray（popsize,bits）;%初始化种群
[m,n]=size（Pop）;
NewPop=zeros（m,n）;
children1=zeros（1,n）;
children2=zeros（1,n）;
pm0=pMutation;
BestPop=zeros（eranum,n）;%分配初始解空间BestPop,Trace
Trace=zeros（eranum,length（bits）+1）;
i=1;
whilei<=eranum
forj=1:
m
value（j）=feval（FUN（1,:
）,（b2f（Pop（j,:
）,bounds,bits）））;%计算适应度
end
[MaxValue,Index]=max（value）;
BestPop（i,:
）=Pop（Index,:
）;
Trace（i,1）=MaxValue;
Trace（i,（2:
length（bits）+1））=b2f（BestPop（i,:
）,bounds,bits）;
[selectpop]=NonlinearRankSelect（FUN,Pop,bounds,bits）;%非线性排名选择
[CrossOverPop]=CrossOver（selectpop,pCross,round（unidrnd（eranum-i）/eranum））;
%采用多点交叉和均匀交叉，且逐步增大均匀交叉的概率
%round（unidrnd（eranum-i）/eranum）
[MutationPop]=Mutation（CrossOverPop,pMutation,VarNum）;%变异
[InversionPop]=Inversion（MutationPop,pInversion）;%倒位
Pop=InversionPop;%更新
pMutation=pm0+（i^4）*（pCross/3-pm0）/（eranum^4）;
%随着种群向前进化，逐步增大变异率至1/2交叉率
p（i）=pMutation;
i=i+1;
end
t=1:
eranum;
plot（t,Trace（:
1）'）;
title（'函数优化的遗传算法'）;xlabel（'进化世代数（eranum）'）;ylabel（'每一代最优适应度（maxfitness）'）;
[MaxFval,I]=max（Trace（:
1））;
X=Trace（I,（2:
length（bits）+1））;
holdon;plot（I,MaxFval,'*'）;
text（I+5,MaxFval,['FMAX='num2str（MaxFval）]）;
str1=sprintf（'进化到%d代,自变量为%s时,得本次求解的最优值%f\n对应染色体是：
%s',I,num2str（X）,MaxFval,num2str（BestPop（I,:
）））;
disp（str1）;
%figure
（2）;plot（t,p）;%绘制变异值增大过程
T2=clock;
elapsed_time=T2-T1;
ifelapsed_time（6）<0
elapsed_time（6）=elapsed_time（6）+60;elapsed_time（5）=elapsed_time（5）-1;
end
ifelapsed_time（5）<0
elapsed_time（5）=elapsed_time（5）+60;elapsed_time（4）=elapsed_time（4）-1;
end%像这种程序当然不考虑运行上小时啦
str2=sprintf（'程序运行耗时%d小时%d分钟%.4f秒',elapsed_time（4）,elapsed_time（5）,elapsed_time（6））;
disp（str2）;
%初始化种群
%采用二进制Gray编码,其目的是为了克服二进制编码的Hamming悬崖缺点
function[initpop]=InitPopGray（popsize,bits）
len=sum（bits）;
initpop=zeros（popsize,len）;%Thewholezeroencodingindividual
fori=2:
popsize-1
pop=round（rand（1,len））;
pop=mod（（[0pop]+[pop0]）,2）;
%i=1时,b
（1）=a
（1）;i>1时,b（i）=mod（a（i-1）+a（i）,2）
%其中原二进制串:
a
（1）a
（2）...a（n）,Gray串:
b
（1）b
（2）...b（n）
initpop（i,:
）=pop（1:
end-1）;
end
initpop（popsize,:
）=ones（1,len）;%Thewholeoneencodingindividual
%解码
function[fval]=b2f（bval,bounds,bits）
%fval-表征各变量的十进制数
%bval-表征各变量的二进制编码串
%bounds-各变量的取值范围
%bits-各变量的二进制编码长度
scale=（bounds（:
2）-bounds（:
1））'./（2.^bits-1）;%Therangeofthevariables
numV=size（bounds,1）;
cs=[0cumsum（bits）];
fori=1:
numV
a=bval（（cs（i）+1）:
cs（i+1））;
fval（i）=sum（2.^（size（a,2）-1:
-1:
0）.*a）*scale（i）+bounds（i,1）;
end
%选择操作
%采用基于轮盘赌法的非线性排名选择
%各个体成员按适应值从大到小分配选择概率：
%P（i）=（q/1-（1-q）^n）*（1-q）^i,其中P（0）>P
（1）>...>P（n）,sum（P（i））=1
function[selectpop]=NonlinearRankSelect（FUN,pop,bounds,bits）
globalmn
selectpop=zeros（m,n）;
fit=zeros（m,1）;
fori=1:
m
fit（i）=feval（FUN（1,:
）,（b2f（pop（i,:
）,bounds,bits）））;%以函数值为适应值做排名依据
end
selectprob=fit/sum（fit）;%计算各个体相对适应度（0,1）
q=max（selectprob）;%选择最优的概率
x=zeros（m,2）;
x（:
1）=[m:
-1:
1]';
[yx（:
2）]=sort（selectprob）;
r=q/（1-（1-q）^m）;%标准分布基值
newfit（x（:
2））=r*（1-q）.^（x（:
1）-1）;%生成选择概率
newfit=cumsum（newfit）;%计算各选择概率之和
rNums=sort（rand（m,1））;
fitIn=1;newIn=1;
whilenewIn<=m
ifrNums（newIn）selectpop（newIn,:
）=pop（fitIn,:
）;
newIn=newIn+1;
else
fitIn=fitIn+1;
end
end
%交叉操作
function[NewPop]=CrossOver（OldPop,pCross,opts）
%OldPop为父代种群，pcross为交叉概率
globalmnNewPop
r=rand（1,m）;
y1=find（ry2=find（r>=pCross）;
len=length（y1）;
iflen>2&mod（len,2）==1%如果用来进行交叉的染色体的条数为奇数，将其调整为偶数
y2（length（y2）+1）=y1（len）;
y1（len）=[];
end
iflength（y1）>=2
fori=0:
2:
length（y1）-2
ifopts==0
[NewPop（y1（i+1）,:
）,NewPop（y1（i+2）,:
）]=EqualCrossOver（OldPop（y1（i+1）,:
）,OldPop（y1（i+2）,:
））;
else
[NewPop（y1（i+1）,:
）,NewPop（y1（i+2）,:
）]=MultiPointCross（OldPop（y1（i+1）,:
）,OldPop（y1（i+2）,:
））;
end
end
end
NewPop（y2,:
）=OldPop（y2,:
）;
%采用均匀交叉
function[children1,children2]=EqualCrossOver（parent1,parent2）
globalnchildren1children2
hidecode=round（rand（1,n））;%随机生成掩码
crossposition=find（hidecode==1）;
holdposition=find（hidecode==0）;
children1（crossposition）=parent1（crossposition）;%掩码为1，父1为子1提供基因
children1（holdposition）=parent2（holdposition）;%掩码为0，父2为子1提供基因
children2（crossposition）=parent2（crossposition）;%掩码为1，父2为子2提供基因
children2（holdposition）=parent1（holdposition）;%掩码为0，父1为子2提供基因
%采用多点交叉，交叉点数由变量数决定
function[Children1,Children2]=MultiPointCross（Parent1,Parent2）
globalnChildren1Children2VarNum
Children1=Parent1;
Children2=Parent2;
Points=sort（unidrnd（n,1,2*VarNum））;
fori=1:
VarNum
Children1（Points（2*i-1）:
Points（2*i））=Parent2（Points（2*i-1）:
Points（2*i））;
Children2（Points（2*i-1）:
Points（2*i））=Parent1（Points（2*i-1）:
Points（2*i））;
end
%变异操作
function[NewPop]=Mutation（OldPop,pMutation,VarNum）
globalmnNewPop
r=rand（1,m）;
position=find（r<=pMutation）;
len=length（position）;
iflen>=1
fori=1:
len
k=unidrnd（n,1,VarNum）;%设置变异点数，一般设置1点
forj=1:
length（k）
ifOldPop（position（i）,k（j））==1
OldPop（position（i）,k（j））=0;
else
OldPop（position（i）,k（j））=1;
end
end
end
end
NewPop=OldPop;
%倒位操作
function[NewPop]=Inversion（OldPop,pInversion）
globalmnNewPop
NewPop=OldPop;
r=rand（1,m）;
PopIn=find（r<=pInversion）;
len=length（PopIn）;
iflen>=1
fori=1:
len
d=sort（unidrnd（n,1,2））;
ifd
（1）~=1&d
（2）~=n
NewPop（PopIn（i）,1:
d
（1）-1）=OldPop（PopIn（i）,1:
d
（1）-1）;
NewPop（PopIn（i）,d
（1）:
d
（2））=OldPop（PopIn（i）,d
（2）:
-1:
d
（1））;
NewPop（PopIn（i）,d
（2）+1:
n）=OldPop（PopIn（i）,d
（2）+1:
n）;
end
end
end
遗传算法程序
（二）:
functionyouhuafun
D=code;
N=50;%Tunable
maxgen=50;%Tunable
crossrate=0.5;%Tunable
muterate=0.08;%Tunable
generation=1;
num=length（D）;
fatherrand=randint（num,N,3）;
score=zeros（maxgen,N）;
whilegeneration<=maxgen
ind=randperm（N-2）+2;%随机配对交叉
A=fatherrand（:
ind（1:
（N-2）/2））;
B=fatherrand（:
ind（（N-2）/2+1:
end））;
%多点交叉
rnd=rand（num,（N-2）/2）;
ind=rndtmp=A（ind）;
A（ind）=B（ind）;
B（ind）=tmp;
%%两点交叉
%forkk=1:
（N-2）/2
%rndtmp=randint（1,1,num）+1;
%tmp=A（1:
rndtmp,kk）;
%A（1:
rndtmp,kk）=B（1:
rndtmp,kk）;
%B（1:
rndtmp,kk）=tmp;
%end
fatherrand=[fatherrand（:
1:
2）,A,B];
%变异
rnd=rand（num,N）;
ind=rnd[m,n]=size（ind）;
tmp=randint（m,n,2）+1;
tmp（:
1:
2）=0;
fatherrand=tmp+fatherrand;
fatherrand=mod（fatherrand,3）;
%fatherrand（ind）=tmp;
%评价、选择
scoreN=scorefun（fatherrand,D）;%求得N个个体的评价函数
score（generation,:
）=scoreN;
[scoreSort,scoreind]=sort（scoreN）;
sumscore=cumsum（scoreSort）;
sumscore=sumscore./sumscore（end）;
childind（1:
2）=scoreind（end-1:
end）;
fork=3:
N
tmprnd=rand;
tmpind=tmprnddifind=[0,diff（tmpind）];
if~any（difind）
difind
（1）=1;
end
childind（k）=scoreind（logical（difind））;
end
fatherrand=fatherrand（:
childind）;
generation=generation+1;
end
%score
maxV=max（score,[],2）;
minV=11*300-maxV;
plot（minV,'*'）;title（'各代的目标函数值'）;
F4=D（:
4）;
FF4=F4-fatherrand（:
1）;
FF4=max（FF4,1）;
D（:
5）=FF4;
saveDDataD
functionD=code
loadyouhua.mat
%propertiesF2andF3
F1=A（:
1）;
F2=A（:
2）;
F3=A（:
3）;
if（max（F2）>1450）||（min（F2）<=900）
error（'DATApropertyF2exceedit''srange（900,1450]'）
end
%getgrouppropertyF1ofdata,accordingtoF2value
F4=zeros（size（F1））;
forite=11:
-1:
1
index=find（F2<=900+ite*50）;
F4（index）=ite;
end
D=[F1,F2,F3,F4];
functionScoreN=scorefun（fatherrand,D）
F3=D（:
3）;
F4=D（:
4）;
N=size（fatherrand,2）;
FF4=F4*ones（1,N）;
FF4rnd=FF4-fatherrand;
FF4rnd=max（FF4rnd,1）;
ScoreN=ones（1,N）*300*11;
%这里有待优化
fork=1:
N
FF4k=FF4rnd（:
k）;
forite=1:
11
F0index=find（FF4k==ite）;
if~isempty（F0index）
tmpMat=F3（F0index）;
tmpSco=sum（tmpMat）;
ScoreBin（ite）=mod（tmpSco,300）;
end
end
Scorek（k）=sum（ScoreBin）;
end
ScoreN=ScoreN-Scorek;
遗传算法程序（三）：
%IAGA
functionbest=ga
clear
MAX_gen=200;%最大迭代步数
best.max_f=0;%当前最大的适应度
STOP_f=14.5;%停止循环的适应度
RANGE=[0255];%初始取值范围[0255]
SPEEDUP_INTER=5;%进入加速迭代的间隔
advance_k=0;%优化的次数
popus=init;%初始化
forgen=1:
MAX_gen
fitness=fit（popus,RANGE）;%求适应度
f=fitness.f;
picked=choose（popus,fitness）;%选择
popus=intercross（popus,picked）;%杂交
popus=aberrance（popus,picked）;%变异
ifmax（f）>best.max_f
advance_k=advance_k+1;
x_better（advance_k）=fitness.x;
best.max_f=max（f）;
best.popus=popus;
best.x=fitness.x;
end
ifmod（advance_k,SPEEDUP_INTER）==0
RANGE=minmax（x_better）;
RANGE
advan
升级会员 