4遗传算法实例.docVIP

1.比较分析， 2. Schaffer函数 F6： ，， 该函数是由J.D.Schaffer等提出的,它有无限个局部极大点，只有一个全局最大值点，此函数最大值峰周围有一圈脊，它们的取值均为0.990283，由于它的强烈振荡 图6-8 Schaffer函数 F6图像 Fig.6-8 image of Schaffer function F6 性质以及它的全局最优点被次优点所包围的特性使得一般算法很难找到它的全局最优点,因此很容易停滞在局部极大点。本文采用具有变动搜索空间能力的子空间更新遗传算法有效地解决此问题。 3. Schaffer 函数 F2: ,, 图6-1 Schaffer 函数 F2图像 Fig.6-1 image of Schaffer function F2 虽然该函数在其定义域内只有一个全局最小值点。但由于变量的取值范围大,采用传统的直接搜索法求解时,因搜索空间太大而无法求得全局最优解,采用 SGA 搜索时,由于其局部搜索能力差,因而需要设置相当大的种群规模,需耗费巨大的计算量以得到全局最优解。如何有效地求解这类搜索空间巨大的全局优化问题一直是人们关注的一个焦点。本文采用加强局部搜索能力的子空间更新遗传算法有效地解决此问题。 4. Needle-in-a-haystack函数：（李敏强，2002） ，， 图6-15 Needle-in-a-haystack函数图像 Fig.6-15 image of Needle-in-a-haystack function 此函数有4个局部极值点函数值均为2748.78，只有一个全局最大值，极值点跨度较大，该函数将形成不同严重程度的GA欺骗问题，当模式欺骗性将搜索过程引向欺骗引子，SGA只能在局部极值点邻域内搜索，最终收敛于局部极值点（4个局部极值点的随机选择），当遗传算子克服了模式欺骗之后，则将群体搜索方向扭转到全局最优解所在的邻域，最终收敛于全局最优解。本文所提出的SUGA中子空间更新过程就可以克服模式欺骗，最终引导群体搜索向理想区域移动。 5. 第五节　案例分析 本节通过石油最优储存非线性规划模型，突出遗传算法相对于其他传统优化方法的优点。 例1 （石油最优储存模型）有一石油运输公司，为了减少开支，希望作了节省石油的存储空间。但要求存储的石油能满足客户的要求。为简化问题，假设只经营两种油，各种符号表示的意义如表所示。其中供给率指石油公司供给客户的速度。 表各种符号表示意义表 第i种油的每单位的存储空间 第i种油的价格 第i种油的供给率 第i种油的每单位的存储费用 第i种油的存储量 总存储公式 由历史数据得到的经验公式为： 由所提供的数据得到非线性模型为 解：本问题化为有约束非线性规划问题，分别通过MATLAB7.0提供的遗传算法工具箱和优化工具箱求解本问题。 (1) 遗传算法工具箱求解 最新发布的MATLAB7.0包含一个专门设计的遗传算法与直接搜索工具箱(Genetic Algorithm and Direct Search Toolbox)。遗传算法工具有一个图形用户界面GUI，它使我们可以使用遗传算法而不用工作在命令行方式，打开遗传算法工具，可键入以下命令： gatool 打开的遗传算法工具图形用户界面如图5-5所示。 图5-5 遗传算法工具图形用户界面 为了寻找最小值，执行下列步骤： 在命令行键入gatool，打开遗传算法工具； 在遗传算法工具的相应栏目中输入适应度函数和变量个数。在“Fitness function”（适应度函数）文本框中，输入“@myfun”；在“Number of variables”（变量个数）文本框中，输入“2”，这就是目标函数的独立变量个数，如图5-6所示。遗传算法工具箱寻找目标函数最小值，以本例来说编写M文件如下： function f=myfun(x) f=(27/x(1)+0.25*x(1))+(20/x(2)+0.10*x(2)); 图5-6 输入适应度函数与变量个数 在“Constraints”（约束窗口）中，由于本题只有线性等式约束，在“Linear equalities”（线性等式）中输入等式约束系数[2，4]和常量24，如图5-7所示。 图4-7 输入约束条件 在“Run solver”（运行求解器）窗口中点击“Start”按钮，如图5-8所示。 图5-8 单击“Run solver”的“Star”按钮 当算法完成时，“Status and results”窗口出现如图5-9所示的情形。 图5-9 输出结果 从图5-9所示，计算结果为，最小值。 (2)MATLAB优化工具箱求解 MATLAB优化工具箱提供求解有约束非线性优化函数fmincon