智能控制(第三版)chap10-智能算法及其应用2精品.pptVIP

* 10.7.3 仿真实例 分别以8个城市和30个城市的路径优化为例，其城市路径坐标保存在当前路径的文件cities8.txt和cities30.txt中。 * 图10-9 8城市进化次数为50时的优化效果，距离L=2.8937(M=1) * 图10-10 30城市进化次数为300时的优化效果， 距离L=424.8693（M=2） * END * * * 遗传算法的优化过程是目标函数J和适应度函数F的变化过程。 由仿真结果可知，随着进化过程的进行，群体中适应度较低的一些个体被逐渐淘汰掉，而适应度较高的一些个体会越来越多，并且它们都集中在所求问题的最优点附近，从而搜索到问题的最优解。 * 10.5.2 实数编码遗传算法求函数极大值 求解该问题遗传算法的构造过程： （1）确定决策变量和约束条件； （2）建立优化模型； （3）确定编码方法：用2个实数分别表示两个决策变量x1, x2，分别将x1, x2的定义域离散化为从离散点-2.048到离散点2.048的Size个实数。 * （4）确定个体评价方法： 个体的适应度直接取为对应的目标函数值，即 选个体适应度的倒数作为目标函数 * （5）设计遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。 （6）确定遗传算法的运行参数：群体大小M=500，终止进化代数G=200，交叉概率Pc=0.90，采用自适应变异概率 即变异概率与适应度有关，适应度越小，变异概率越大。 * 上述六个步骤构成了用于求函数Rosenbrock极大值的实数编码遗传算法，仿真程序见chap10_2.m。 %************ Step 3 : 交叉操作 ************ Pc=0.90; %交叉概率 for i=1:2:(Size-1) temp=rand; if Pctemp alfa=rand; TempE(i,:)=alfa*E(i+1,:)+(1-alfa)*E(i,:); %交叉操作 TempE(i+1,:)=alfa*E(i,:)+(1-alfa)*E(i+1,:); end end 第i+1个个体与第i个个体进行交叉 %************ Step 4: 变异操作 ************** Pm=0.10-[1:1:Size]*(0.01)/Size; %自适应变异概率 Pm_rand=rand(Size, CodeL); Dif=(MaxX - MinX); for i=1:1:Size for j=1:1:CodeL if Pm(i)Pm_rand(i,j) %Mutation Condition TempE(i,j)=MinX(j)+Dif(j)*rand; %变异操作 end end end 变异操作：随机变成另一个数了 * 10.6 基于遗传算法优化的RBF网络逼近 10.6.1 遗传算法优化原理 在7.3节的RBF网络逼近算法中，网络权值W、高斯函数的中心矢量C和基宽向量B的初值难以确定，如果这些参数选择不当，会造成逼近精度的下降甚至RBF网络的发散。采用遗传算法可实现RBF网络参数初始值的优化。 * 为获取满意的逼近精度，采用误差绝对值指标作为参数选择的最小目标函数。 式中， 为逼近的总步骤， 为第 步RBF网络的逼近误差。 在应用遗传算法时，为了避免参数选取范围过大，可以先按经验选取一组参数，然后再在这组参数的周围利用遗传算法进行设计，从而大大减少初始寻优的盲目性，节约计算量。 * 10.6.2 仿真实例 使用RBF网络逼近下列对象： 在RBF网络中，网络输入信号为2个，即u(k) 和y(k)，网络初始权值及高斯函数参数初始值通过遗传算法优化而得。 * 遗传算法优化程序为chap10_3a.m，取逼近总步骤为N=500，每一步的逼近误差及目标函数由chap10_3b.m求得。采用二进制编码方式，用长度为10位的二进制编码串来分别表示向量B、C和W中的每个值。 * 遗传算法优化中，取样本个数为Size=30，交叉概率为Pc=0.60，采用自适应变异概率，即适应度越小，变异概率