遗传算法的Matlab实现讲解

数学建模专题之

遗传算法的MATLAB实现遗传算法的Matlab实现讲解ContentsIMatlab编程实现GA1Matlab函数调用实现GA2Matlab工具箱实现GA3遗传算法的Matlab实现讲解Matlab编程实现GA例1：计算目标函数值函数

遗传算法的Matlab实现讲解主程序

%遗传算法主程序functionMy_GAglobalCmin;Cmin=-10^6;popsize=50;%群体大小Gene=20;chromlength=20;%字符串长度（个体长度）pc=0.8;%交叉概率pm=0.01;%变异概率Xmax=10;Xmin=0;Matlab编程实现GApop=initpop(popsize,chromlength);%随机产生初始群体fori=1:Gene%20为迭代次数

[objvalue]=calobjvalue(pop,chromlength,Xmax,Xmin);%计算目标函数

fitvalue=calfitvalue(objvalue);%计算群体中每个个体的适应度

[newpop]=selection(pop,fitvalue);%复制

[newpop]=crossover(newpop,pc);%交叉

[newpop]=mutation(newpop,pm);%变异[bestindividual,bestfit]=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值

x(i)=decodechrom(bestindividual,1,chromlength)*10/(2^chromlength-1);%最佳个体解码

y(i)=bestfit+Cmin;%最佳个体适应度

y_mean(i)=mean(fitvalue+Cmin);%第i代平均适应度

pop=newpop;endfplot('2*x+10*sin(5*x)+7*cos(4*x)',[010])holdonplot(x,y,'r*')holdoff遗传算法的Matlab实现讲解初始化(编码)

%initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，%长度大小取决于变量的二进制编码的长度(在本例中取20位)。%Name:initpop.mfunctionpop=initpop(popsize,chromlength)pop=round(rand(popsize,chromlength));%rand随机产生每个单元为{0,1}行数为popsize，列数为chromlength的矩阵，%round对矩阵的每个单元进行取整。这样产生的初始种群。Matlab编程实现GA遗传算法的Matlab实现讲解将二进制数转化为十进制数

将二进制数转化为十进制数%产生[2^n2^(n-1)...1]的行向量，然后求和，将二进制转化为十进制functionpop2=decodebinary(pop)[px,py]=size(pop);%求pop行和列数fori=1:py pop1(:,i)=2.^(py-i).*pop(:,i);endpop2=sum(pop1,2);%求pop1的每行之和functionpop2=decodechrom(pop,spoint,length)pop1=pop(:,spoint:spoint+length-1);pop2=decodebinary(pop1);Matlab编程实现GA遗传算法的Matlab实现讲解计算目标函数值

计算目标函数值%calobjvalue.m函数的功能是实现目标函数的计算，其公式采用本文示例仿真，可根据不同优化问题予以修改。%遗传算法子程序%Name:calobjvalue.m%实现目标函数的计算function[objvalue]=calobjvalue(pop,chromlength,Xmax,Xmin)temp1=decodechrom(pop,1,chromlength);%将pop每行转化成十进制数x=temp1*(Xmax-Xmin)/(2^chromlength-1);%将十进制域中的数转化为变量域的数objvalue=2*x+10*sin(5*x)+7*cos(4*x);%计算目标函数值Matlab编程实现GA遗传算法的Matlab实现讲解计算个体的适应值

functionfitvalue=calfitvalue(objvalue)globalCmin;fitvalue=objvalue-Cmin;Matlab编程实现GA遗传算法的Matlab实现讲解选择复制

function[newpop]=selection(pop,fitvalue)%程序中采用赌轮盘选择法选择实现totalfit=sum(fitvalue);%求适应值之和fitvalue=fitvalue/totalfit;%单个个体被选择的概率fitvalue=cumsum(fitvalue);%如fitvalue=[1234]，则cumsum(fitvalue)=[13610][px,py]=size(pop);ms=sort(rand(px,1));%从小到大排列fitin=1;newin=1;whilenewin<=px%蒙特卡洛方法抽样

if(ms(newin))<fitvalue(fitin)newpop(newin,:)=pop(fitin,:);newin=newin+1;elsefitin=fitin+1;endendMatlab编程实现GA遗传算法的Matlab实现讲解交叉

function[newpop]=crossover(pop,pc)[px,py]=size(pop);newpop=ones(size(pop));fori=1:2:px-1if(rand<pc)cpoint=round(rand*py);newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];elsenewpop(i,:)=pop(i);newpop(i+1,:)=pop(i+1);endendMatlab编程实现GA遗传算法的Matlab实现讲解变异

function[newpop]=mutation(pop,pm)[px,py]=size(pop);newpop=ones(size(pop));fori=1:pxif(rand<pm)mpoint=round(rand*py);ifmpoint<=0mpoint=1;endnewpop(i,:)=pop(i,:);

Matlab编程实现GAifany(newpop(i,mpoint))==0newpop(i,mpoint)=1;elsenewpop(i,mpoint)=0;endelsenewpop(i,:)=pop(i,:);endend遗传算法的Matlab实现讲解求出群体中最大的适应值及其个体

function[bestindividual,bestfit]…=best(pop,fitvalue)[px,py]=size(pop);bestindividual=pop(1,:);bestfit=fitvalue(1);fori=2:pxiffitvalue(i)>bestfitbestindividual=pop(i,:);bestfit=fitvalue(i);endendMatlab编程实现GA或function[bestindividual,bestfit]=…best(pop,fitvalue)[bestfit,m_indx]=max(fitvalue);bestindividual=pop(m_indx,:);遗传算法的Matlab实现讲解结果见My_GA.m

Matlab编程实现GA遗传算法的Matlab实现讲解Matlab函数调用实现GAMatlab的GA函数

[xfval]=ga(@fitnessfun,nvars,[],[],[],[],[],[],[],options)；fitnessfcn—Fitnessfunctionnvars—NumberofvariablesfortheproblemAineq—MatrixforinequalityconstraintsBineq—VectorforinequalityconstraintsAeq—MatrixforequalityconstraintsBeq—VectorforequalityconstraintsLB—LowerboundonxUB—Upperboundonxnonlcon—NonlinearconstraintFunctionoptions—Optionsstructure遗传算法的Matlab实现讲解Matlab函数调用实现GAMatlab的GA函数x=ga(fitnessfcn,nvars)x=ga(fitnessfcn,nvars,A,b)x=ga(fitnessfcn,nvars,A,b,Aeq,beq)x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB)x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon)x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)x=ga(problem)[x,fval]=ga(...)[x,fval,exitflag]=ga(...)遗传算法的Matlab实现讲解Matlab函数调用实现GAGA函数调用步骤第一步：编写适应度函数；第二步：对GA参数进行设置；options=gaoptimset(‘参数名’,参数值,…,‘参数名’,参数值)例:options=gaoptimset('PopulationSize',100)第三步：调用GA函数；[xfval]=ga(@fitnessfun,nvars)[xfvalexitflagoutputpopulationscores]=ga(@fitnessfcn,nvars)[xfval]=ga(@fitnessfun,nvars,[],[],[],[],[],[],[],options)；specifyanylinearequality,linearinequality,ornonlinearconstraints遗传算法的Matlab实现讲解Matlab函数调用实现GA调用GA函数求例1的最大值（见ga_eg1.m）第一步：编写适应度函数；functiony=fit1(x)y=-(2*x+10*sin(5*x)+7*cos(4*x));第二步：设置参数options=gaoptimset('PopulationSize',100,'PopulationType','doubleVector','PlotFcns',{@gaplotbestf,@gaplotbestindiv,@gaplotexpectation,@gaplotstopping})第三步：调用GA函数[xfval]=ga(@fit1,1,[],[],[],[],0,10,[],options);最后还原y=-1*fit1(x)%最小值还原为最大值figure;fplot('2*x+10*sin(5*x)+7*cos(4*x)',[010])holdonplot(x,y,'*')遗传算法的Matlab实现讲解

遗传算法的GA工具箱实现：Matlab的GA工具箱(R2007)遗传算法的Matlab实现讲解Matlab的GA工具箱(R2010b)

遗传算法的GA工具箱实现：遗传算法的Matlab实现讲解例二求下列优化问题遗传算法的Matlab实现讲解Matlab函数调用实现调用GA函数求解（见ga_eg2.m）

functionga_eg2A=[11;-12;21];b=[2;2;3];lb=zeros(2,1);[x,fval,exitflag]=ga(@lincontest6,2,A,b,[],[],lb);mesh_lincontest6;holdon;plot3(x(1),x(2),fval,'r*');

functionmesh_lincontest6m=10;n=1000;x=-n:m:n;y=-n:m:n;z=0.5*(ones(length(x),1)*x).^2+(ones(length(y),1)*y).^2...-(ones(length(x),1)*x).*(ones(length(y),1)*y)-2*(ones(...length(x),1)*x)-6*(ones(length(y),1)*y);mesh(x,y,z)遗传算法的Matlab实现讲解Matlab函数调用实现调用GA函数求解（见ga_eg2.m）

遗传算法的Matlab实现讲解遗传算法的GA工具箱实现Matlab的GA工具箱(R2010b)遗传算法的Matlab实现讲解练习一在－5<=Xi<=5,i=1,2区间内，求解f(x1,x2)=-20*exp(0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。要求：种群大小20，最大代数100，变异率0.1,交叉率0.7遗传算法的Matlab实现讲解ContentsIIGA求解多目标优化问题1GA优化BP神经网络2GA求解TSP问题3遗传算法的Matlab实现讲解II-1GA求解多目标优化问题通常多目标优化，例如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如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。