《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（12页珍藏版）》请在金锄头文库上搜索。
1、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) % Finds a maximum of a function of several variables.% fmaxga
2、solves problems of the form: % max F(X) subject to: 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
3、)% pInversion - 倒位概率,一般取0.050.3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;if nargin0) error(数据输入错误,请重新输入(LBUB):);ends=sprintf(程序运行需要约%.4f 秒钟时间,请稍等.,(eranum*popsize/1000);disp(s);global m n NewPop children1 children2 VarNumbounds=LB;UB;bit
4、s=;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,TraceTrace=z
5、eros(eranum,length(bits)+1);i=1;while i=eranum for j=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,bit
6、s);%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+(i4)*(pCross/3-pm
7、0)/(eranum4); %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;endt=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);hold on; plot(I,MaxFval,*);text(I+5,MaxFval,FMAX= num2str(MaxFval);str1=sprintf (进化到 %d
8、 代 ,自变量为 %s 时,得本次求解的最优值 %fn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;if elapsed_time(6)0 elapsed_time(6)=elapsed_time(6)+60; elapsed_time(5)=elapsed_time(5)-1;endif elapsed_time(5)1时,b(i)=mod(a(i-1)+a(i),2) %其中原二进制串:a(1)
9、a(2).a(n),Gray串:b(1)b(2).b(n) initpop(i,:)=pop(1:end-1);endinitpop(popsize,:)=ones(1,len);%The whole one encoding individual%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); %The range o
10、f the variablesnumV=size(bounds,1);cs=0 cumsum(bits); for i=1:numVa=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)=1function selectpop=NonlinearRankSelect(FUN,pop,boun
11、ds,bits) global m nselectpop=zeros(m,n);fit=zeros(m,1);for i=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endselectprob=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;y x(:,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;while newIn=m if rNums(newIn)newf
