精心遗传算法及matlab实现教程分析.pptVIP

遗传算法（ Genetic Algorithm ：GA）是一种寻求函数（问题）最优解的数学方法。其基本原理是：模拟自然界生物繁衍过程中基因重组与进化的自然过程，把待解决问题的参数编成二进制码或十进制码（也可编成其他进制码），即基因，若干基因组成一个染色体（个体），许多染色体进行类似于自然选择、配对交叉和变异的运算，经过多次重复迭代（即世代遗传）直至得到最后的优化结果。 * 遗传算法及MATLAB遗传算法工具箱 重应用，轻研究 学习它是什么，怎么用，而不是为什么 参考书目 MATLAB遗传算法工具箱及应用 niuyongjie的专栏： /niuyongjie/archive/2009/11/24/4863979.aspx 特点 群体搜索特性：许多传统的搜索方法都是单点搜索，遗传算法采用的是同时处理群体中多个个体的方法使遗传算法具有较好的全局搜索性能，不容易陷入局部最优； 遗传算法的适应度函数（目标函数）可以解决不连续、不可微、随机或高度非线性的问题，而且其定义域可以任意设定； 遗传算法具有可扩展性，易于同别的技术混合使用。 遗传算法的定义 遗传算法（ Genetic Algorithm ：GA）是一种寻求函数（问题）最优解的数学方法。其基本原理是：模拟自然界生物繁衍过程中基因重组与进化的自然过程，把待解决问题的参数编成二进制码或十进制码（也可编成其他进制码），即基因，若干基因组成一个染色体（个体），许多染色体进行类似于自然选择、配对交叉和变异的运算，经过多次重复迭代（即世代遗传）直至得到最后的优化结果。 遗传算法的计算过程 （随机）产生初始种群 是否满足停止准则 是 输出结果并结束 计算个体适应度值 选择运算 交叉运算 变异运算 否 产生新一代种群 随机产生种群 编码与解码 在遗传算法中如何描述问题的可行解，即把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法就称为编码。而由遗传算法解空间向问题空间的转换称为解码。如二进制编码，格雷码编码，浮点数编码，多参数级联编码等。 例如：一组x1，x2，x3编码为0010 1100 0010 更高精度 基因型 1000101110110101000111 表现型：0.637197 编码 解码 个体（染色体） 适应度函数（Fitness Function） 定义：度量个体适应度的函数。 在某种程度上来说，适应度函数就相当于实际问题的目标函数，只是它只求最小值，因此，当实际问题是求最大值时，需要做相应转换。 选择（Slection） 选择（或称为复制）是在种群中选择适应度高（函数更加优化）的个体产生新的种群的过程。遗传算法中的选择操作就是用来确定如何从父代群体中按某种方法选取哪些个体遗传到下一代群体中的一种遗传运算，用来确定重组或交叉个体。如轮盘赌选择，随机竞争选择等 交叉（Crossover） 交叉是按较大的概率从群体中选择两个个体，交换两个个体的某个或某些位。如单点交叉，多点交叉等。 例如： 交叉前： 交叉后 ： 个体1：00000|01110000000010000 00000|00000111111000101 个体2：11100|00000111111000101 11100|01110000000010000 变异（Mutation） 以较小的概率对个体编码串上的某个或某些位值进行改变，如二进制编码中０”变为“１”，“１”变为“０”，进而生成新个体。 它决定了遗传算法的局部搜索能力，同时保持种群的多样性。交叉运算和变异运算的相互配合，共同完成对搜索空间的全局搜索和局部搜索。 MATLAB遗传算法工具箱 Matlab遗传算法工具箱操作 打开工具箱： 键入命令：gatool 点击命令： 工具箱界面 1 2 4 3 第1部分：定义函数句柄 在Fitness Function中输入一个计算适应度函数的.Ｍ文件函数的句柄（handle），以调用文件中函数。格式：@test（与相应的M文件名一致） 在 Number of variance中输入变量个数 遗传算法（ Genetic Algorithm ：GA）是一种寻求函数（问题）最优解的数学方法。其基本原理是：模拟自然界生物繁衍过程中基因重组与进化的自然过程，把待解决问题的参数编成二进制码或十进制码（也可编成其他进制码），即基因，若干基因组成一个染色体（个体），