遗传算法(自学材料).ppt

TSP的GA过程 从N个随机起点开始产生N条路径，N为种群的规模; 利用最优方法搜索每条路径的局部最优解; 选择交叉对使在平均性能之上的个体得到更多的子代; 交叉和变异; 搜索每条路径得到其极小解，如果不收敛，则回到第3步；否则，停止。 GA的MATLAB实现 软件平台(Software Platforms): MATLAB 7.x Genetic Algorithm and Direct Search Toolbox?2.0.1 MATLAB 6.x(or 7.x)+GAOT GAOT: Genetic Algorithm Optimization Toolbox 美国North Carolina State University开发 MATLAB 6.x(or 7.x)+GEATbx GEATbx: Genetic and Evolutionary Algorithm Toolbox 英国The University of Sheffield开发 《MATLAB遗传算法工具箱及应用》(雷英杰等,西安电子科技大学出版社,2005)基于此工具箱 GAOT工具箱 核心函数： [pop]=initializega(num,bounds,eevalFN,eevalOps,options) ------初始种群的生成函数 【输出参数】 pop-----生成的初始种群 【输入参数】 num-----种群中的个体数目 bounds-----代表变量的上下界的矩阵 eevalFN-----适应度函数 eevalOps-----传递给适应度函数的参数 options-----选择编码形式(浮点编码或是二进制编码)与精度，如 [type prec]， type-----为1时选择浮点编码，否则为二进制编码 prec-----变量进行二进制编码时指定的精度，默认[1e-6 1] GAOT工具箱 (2) [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps,selectFN,… selectOps,xOverFNs,xOverOps,mutFNs,mutOps) -------遗传算法函数 【输出参数】 x------求得的最优解 endPop------最终得到的种群 bPop------最优种群的一个搜索轨迹 traceInfo------每代种群中最优及平均个体构成的矩阵 【输入参数】 bounds------代表变量上下界的矩阵 evalFN------适应度函数 evalOps------传递给适应度函数的参数 startPop------初始种群 GAOT工具箱 【输入参数】 opts------- [epsilon prob_ops display]，opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如[1e-6 1 0] termFN-------终止函数的名称,如[maxGenTerm] termOps-------传递个终止函数的参数,如[100] selectFN-------选择函数的名称,如[normGeomSelect] selectOps-------传递个选择函数的参数,如[0.08] xOverFNs-------交叉函数名称表，以空格分开，如[arithXover heuristicXover simpleXover] xOverOps-------传递给交叉函数的参数表，如[2 0;2 3;2 0] mutFNs-------变异函数表，如[boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation] mutOps-------传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0] GAOT:函数最值(实例) 求下列函数的最大值： GAOT:函数最值(实例2) Fitness.m文件 function [sol,eval]=fitness(sol,options) x=sol(1); eval = x*sin(10*pi*x)+2.0; MATLAB 运行结果： Genetic Algorithm and Direct Search Toolbox (GADS) 包含工具: 遗传算法/直接搜索 运行方式: command line; gatool