运筹学与最优化MATLAB编程 作者 吴祈宗 郑志勇 第13章遗传算法.ppt

13.2.1　函数概述 图　13-2 13.2.2　函数使用说明及示例 (1)编写目标函数GAobjfun1.m(2)约束函数GaConfun.m(3)在MATLAB的命令窗口(Command Window)输入gatool调用Genetic Algorithm Toolbox(见图13-3)。(4)输入目标函数与约束条件(见图13-4)(5)迭代过程函数图(见图13-5)(6)算法迭代过程控制及计算结果(见图13-7) 图　13-3 13.2.2　函数使用说明及示例 图　13-4 13.2.2　函数使用说明及示例 图　13-5 13.2.2　函数使用说明及示例 图　13-6 13.2.2　函数使用说明及示例 图　13-7 13.2.2　函数使用说明及示例 13.2.3　函数参数设置 (1)种群设置(见图13-8)(2)适应度评分方法(见图13-9)(3)选择策略(见图13-10)(4)繁殖策略(见图13-11)(5)停止条件(见图13-12)(6)其他参数设置(见图13-13) (1)种群设置(见图13-8) 图　13-8 (2)适应度评分方法(见图13-9) 图　13-9 (3)选择策略(见图13-10) 图　13-10 (4)繁殖策略(见图13-11) 图　13-11 (5)停止条件(见图13-12) 图　13-12 (6)其他参数设置(见图13-13) 图　13-13 13.2.4　遗传算法M文件自动生成 在Genetic Algorithm tool→File→Generate M-file可以生成该求解问题的M文件，比如命名为GADemo1.m，存在指定工作目录下，以后可以随时调用。 第13章　遗传算法 13.1　遗传算法概要13.2　Genetic Algorithm Toolbox 在线教务辅导网： 教材其余课件及动画素材请查阅在线教务辅导网 QQ:349134187 或者直接输入下面地址： 13.1　遗传算法概要 13.1.1　遗传算法模型13.1.2　遗传算法的特点13.1.3　遗传算法的发展13.1.4　遗传算法的应用13.1.5　基本遗传算法13.1.6　遗传算法的模式定理 13.1.1　遗传算法模型 (1)选择(Selection):根据各个个体的适应度，按照一定的规则或方法，从第t代群体P(t)中选择出一些优良的个体遗传到下一代群体P(t+1)中。(2)交叉(Crossover):将群体P(t)内的各个个体随机搭配成对，对每一个个体，以某个概率(称为交叉概率，Crossover Rate)交换它们之间的部分染色体。(3)变异(Mutation):对群体P(t)中的每一个个体，以某一概率(称为变异概率，Mutation Rate)改变某一个或一些基因座上基因值为其他的等位基因。 13.1.2　遗传算法的特点 (1)遗传算法以决策变量的编码作为运算对象。(2)遗传算法直接以目标函数值作为搜索信息。(3)遗传算法同时进行解空间的多点搜索。(4)遗传算法使用概率搜索技术。 13.1.3　遗传算法的发展 20世纪60年代，美国密植安大学的Holland教授及其学生们受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统计算优化的自适应概率优化技术——遗传算法。下面是在遗传算法的发展进程中一些关键人物所作出的一些主要贡献。 1. J.H.Holland 20世纪60年代，Holland认识到了生物的遗传和自然进化现象与人工自适应系统的相似关系，运用生物遗传和进化的思想来研究自然与人工自适应系统的生成以及它们与环境的关系，提出在研究和设计人工自适应系统时，可以借鉴生物遗传的机制，以群体的方法进行自适应搜索，并且充分认识到了交叉、变异等运算策略在自适应系统中的重要性。 2. J.D.Bagley 1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，并发表了遗传算法应用方面的第一篇论文。他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用了双倍体的编码方法。这些都与目前遗传算法中所使用的算子和方法类似。 3. K.A.De 1975年，De 在其博士论文中结合模式定理进行了大量的纯数值函数优化计算实验，树立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。他推荐了在大多数优化问题中都比较适用的遗传算法参数，还建立了著名的De 五函数测试平台，定义了评价遗传算法性能的在线指标和离线指标。 4. D.J.Goldberg 1989年，Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》。该书系统总结了遗传算法的主要研究成果，全面而完整地论述了遗传算法的基本原理及其应用。 5.