MATLAB遗传算法作业Word文档格式.docx

1、 b）个体评价：计算群体P（t）中各个个体的适应度。 c）选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 d）交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。 e）变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。 群体P（t）经过选择、交叉、变异运算之后得到下一代群体P（t+1）。 f）终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。三：matlab实现 例子：f（x）=10*sin（

2、5x）+7*cos（4x） x0,10 将变量域 0,10 离散化为二值域 0,1023, x=0+10*b/1023。1.初始化initpop.mfunction pop=initpop（popsize,chromlength） pop=round（rand（popsize,chromlength）; % rand随机产生每个单元为0或者1 行数（种群数量）为popsize，列数为chromlength（个体所含基因数）的矩阵， 2.计算目标函数值2.1 将二进制数转化为十进制数（1）decodebinary.m %产生 2n 2（n-1） . 1 的行向量，然后求和，将二进制转化为十进制

3、function pop2=decodebinary（pop）px,py=size（pop） %Pop的行和列数for i=1:px pop2（i）=0 for j=1:py pop2（i）=pop2（i）+2.（py-j）*pop（i,j） endend2.2 将二进制编码转化为十进制数（2） Decodechrom.m%函数的功能是将染色体（或二进制编码）转换为十进制，参数spoint表示待解码的二进制串的起始位置 function pop2=decodechrom（pop,spoint,length）pop1=pop（:,spoint:spoint+length-1）%pop1取pop的

4、第spoint列到spoint+length-1列为止pop2=decodebinary（pop1）2.2.3 计算目标函数值 % calobjvalue.m函数的功能是实现目标函数的计算function objvalue = calobjvalue（pop） temp1=decodechrom（pop,1,10）%将pop每行转换成十进制 x=temp1*10/1023%将二值域中的数转化为变量域的数 objvalue=10*sin（5*x）+7*cos（4*x）%变量域是从1到10 m=max（objvalue） b=0 for i=1:100 if objvalue（i）=m b=b+1

5、 end figure fplot（10*sin（5*x）+7*cos（4*x）,0 10） hold on plot（x,objvalue,or） xlabel（sprintf（%2d,b） grid on3 计算个体的适应值calfitvalue.m %计算个体的适应值 function fitvalue=calfitvalue（objvalue） px,py=size（objvalue） if objvalue（i）0; temp=objvalue（i） else temp=0.0 fitvalue（i）=temp End4 选择复制selection.m % 根据方程 pi=fi/fi

6、=fi/fsum ，选择步骤：% 1） 在第 t 代，计算 fsum 和 pi % 2） 产生 0,1 的随机数 rand（ .），求 s=rand（ .）*fsum % 3） 求 fis 中最小的 k ，则第 k 个个体被选中 %最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。% 4） 进行 N 次2）、3）操作，得到 N 个个体，成为第 t=t+1 代种群 function newpop = selection（pop,fitvalue） totalfit=sum（fitvalue）%求适应值的和 fitvalue=fitvalue/to

7、talfit%单个个体被选择的概率 %如 fitvalue=1 2 3 4，则 cumsum（fitvalue）=1 3 6 10 fitvalue=cumsum（fitvalue） px,py=size（pop） ms=sort（rand（px,1）%从小到大排列 列向量 fitin=1 newin=1 while newin=px %得到px个个体 if（ms（newin）fitvalue（fitin） newpop（newin,:）=pop（fitin,:）%将pop的第fitin行复制给newpop 中的newin行 newin=newin+1 fitin=fitin+15 交叉cro

8、ssover.m %交叉的概率为pcfunction newpop =crossover（pop,pc）px,py=size（pop）newpop=ones（size（pop）%所有元素为12:px-1 if（randbestfit bestindividual=pop（i,: bestfit=fitvalue（i）8 主程序 main.m%遗传算法主程序 popsize=100%种群大小chromlength=10 %字符串长度，即个体长度pc=0.6 %交叉概率pm=0.001 %变异概率pop=initpop（popsize,chromlength）%随机产生初始群体objvalue=c

9、alobjvalue（pop） %计算目标函数值，形成一个20*1的列向量fitvalue=calfitvalue（objvalue）%计算群体中每个个体的适应度20 %20次迭代 newpop=selection（pop,fitvalue）%选择 newpop=crossover（newpop,pc）%交叉 newpop=mutation（newpop,pm）%变异 objvalue=calobjvalue（newpop） fitvalue=calfitvalue（objvalue） bestindividual,bestfit=best（newpop,fitvalue）%求出群体中适应值最

10、大的个体及适应值 y（i）=max（bestfit）; n（i）=i; pop5=bestindividual; x（i）=decodechrom（pop5,1,chromlength）*10/1023; pop=newpop;end 四：结果分析 上面六张图片分别表示的是第1,3,5,10,15,20次迭代之后的结果，其中每张图中间下方的数字表示最大函数值的个数，即每张图片圆点处于最高点的个数，显然看得出来，随着迭代次数的增加，基本上都会往最优解方向收敛。再分析，每一次迭代过程中的最优解，每一对（x,y）表示一次最优解。最大函数值出现在x=7.8592和1.5738附近，这与上面六张图展示也相符。