非线性整数规划的遗传算法Matlab程序

1、非线性整数规划的遗传算法Matlab程序附图通常,非线性整数规划是一个具有指数复杂度的NP问题,如果约束较为复杂,Matlab优化工具箱和一些优化软件比方lingo等,常常无法应用,即使能应用也不能给出一个较为令人满意的解.这时就需要针对问题设计专门的优化算法.下面举一个遗传算法应用于非线性整数规划的编程实例,供大家参考！模型的形式和适应度函数定义如下：millE-3、口二工支三*j=i,2*,疗_f=1,2t3,ws0或L适应度函数为：而电不“内工,manfEmO#/叼0抬/i-l/-I其中*=2即.工=2=2%门口一物-%,元=X=NZ/0X=0.3,02X忠13*J!eslj.l这是一个

2、具有200个01决策变量的多目标非线性整数规划,编写优化的目标函数如下,其中将多目标转化为单目标采用简单的加权处理.functionFitness=FITNESSx,FARM,e,q,w%适应度函数%输入参数列表%x决策变量构成的4X50的0-1矩阵%FARM细胞结构存储的当前种群,它包含了个体x%e4X50的系数矩阵%q4X50的系数矩阵%w1X50的系数矩阵%gamma=0.98;N=length(FARM);%种群规模F1=zeros(1,N);F2=zeros(1,N);fori=1:Nxx=FARMi;ppp=(1-xx)+(1-q).*xx;F1(i)=sum(w.*prod(pp

3、p);F2(i)=sum(sum(e.*xx);endppp=(1-x)+(1-q).*x;f1=sum(w.*prod(ppp);f2=sum(sum(e.*x);Fitness=gamma*sum(min(sign(f1-F1);zeros(1,N)+(1-gamma)*sum(min(sign(f2-F2);zeros(1,N);针对问题设计的遗传算法如下,其中对模型约束的处理是重点考虑的地方functionXp,LC1,LC2,LC3,LC4=MYGA(M,N,Pm)%求解01整数规划的遗传算法%输入参数列表%M遗传进化迭代次数%N种群规模%Pm变异概率%输出参数列表%Xp最优个体%L

4、C1子目标1的收敛曲线%LC2子目标2的收敛曲线%LC3平均适应度函数的收敛曲线%LC4最优适应度函数的收敛曲线%参考调用格式Xp,LC1,LC2,LC3,LC4=MYGA(50,40,0.3)%第一步：载入数据和变量初始化loadeqw;%载入三个系数矩阵e,q,w%俞出变量初始化Xp=zeros(4,50);LC1=zeros(1,M);LC2=zeros(1,M);LC3=zeros(1,M);LC4=zeros(1,M);Best=inf;%第二步：随机产生初始种群farm=cell(1,N);%用于存储种群的细胞结构k=0;whilek%以下是一个合法个体的产生过程x=zeros(4

5、,50);%x每一列的1的个数随机决定fori=1:50R=rand;Col=zeros(4,1);ifR0.9RP=randperm(4);Col(RP(1:2)=1;elseRP=randperm(4);Col(RP(1:3)=1;endx(:,i)=Col;end%下面是检查行和是否满足约束的过程,对于不满足约束的予以抛弃Temp1=sum(x,2);Temp2=find(Temp120);iflength(Temp2)=0k=k+1;farmk=x;endend%以下是进化迭代过程counter=0;%设置迭代计数器whilecounter%第三步：交叉%交叉采用双亲双子单点交叉new

6、farm=cell(1,2*N);%用于存储子代的细胞结构Ser=randperm(N);%两两随机配对的配对表A=farmSer(1);%取出父代AB=farmSer(2);%取出父代BP0=unidrnd(49);%随机选择交叉点a=A(:,1:P0),B(:,(P0+1):end);%产生子代ab=B(:,1:P0),A(:,(P0+1):end);%产生子代bnewfarm2*N-1=a;%参加子代种群newfarm2*N=b;%以下循环是重复上述过程fori=1:(N-1)A=farmSer(i);B=farmSer(i+1);P0=unidrnd(49);a=A(:,1:P0),B

7、(:,(P0+1):end);b=B(:,1:P0),A(:,(P0+1):end);newfarm2*i-1=a;newfarm2*i=b;endFARM=farm,newfarm;%新旧种群合并%第四步：选择复制FLAG=ones(1,3*N);%标志向量,对是否满足约束进行标记%以下过程是检测新个体是否满足约束fori=1:(3*N)x=FARMi;sum1=sum(x,1);sum2=sum(x,2);flag1=find(sum1=0);flag2=find(sum1=4);flag3=find(sum220);iflength(flag1)+length(flag2)+length

8、(flag3)0FLAG(i)=0;%如果不满足约束,用0加以标记endendNN=length(find(FLAG)=1);%满足约束的个体数目,它一定大于等于NNEWFARM=cell(1,NN);%以下过程是剔除不满主约束的个体kk=0;fori=1:(3*N)ifFLAG(i)=1kk=kk+1;NEWFARMkk=FARMi;endend%以下过程是计算并存储当前种群每个个体的适应值SYZ=zeros(1,NN);syz=zeros(1,N);fori=1:NNx=NEWFARMi;SYZ(i)=FITNESS2(x,NEWFARM,e,q,w);%调用适应值子函数endk=0;%下

9、面是选择复制,选择较优的N个个体复制到下一代whilekminSYZ=min(SYZ);posSYZ=find(SYZ=minSYZ);POS=posSYZ(1);k=k+1;farmk=NEWFARMPOS;syz(k)=SYZ(POS);SYZ(POS)=inf;end%记录和更新,更新最优个体,记录收敛曲线的数据minsyz=min(syz);meansyz=mean(syz);pos=find(syz=minsyz);LC3(counter+1)=meansyz;ifminsyzBest=minsyz;Xp=farmpos(1);endLC4(counter+1)=Best;ppp=(

10、1-Xp)+(1-q).*Xp;LC1(counter+1)=sum(w.*prod(ppp);LC2(counter+1)=sum(sum(e.*Xp);%第五步：变异fori=1:NifPmrand%是否变异由变异概率Pm限制AA=farmi;%取出一个个体POS=unidrnd(50);%随机选择变异位R=rand;Col=zeros(4,1);ifR0.9RP=randperm(4);Col(RP(1:2)=1;elseRP=randperm(4);Col(RP(1:3)=1;end卜面是判断变异产生的新个体是否满足约束,如果不满足,此次变异无效AA(:,POS)=Col;Temp1=sum(AA,2);Temp2=find(Temp120);iflength(Temp2)=0farmi=AA;endendendcounter=counter+1end%第七步：绘收敛曲线图figure(1);plot(LC1);xlabel(迭代次数);ylabel(子目标1的值)；title(子目标1的收敛曲线);figure(2);plot(LC2);xlabel(迭代次数);ylabel(子目标2的值)；title(子目标2的收敛曲线);figure(3);plot(LC3);xlabel(迭代次数);ylabel(