引入精英主义的遗传算法MATLAB程序实现..docVIP

人工智能作业 题 目： 引入精英主义的遗传算法MATLAB程序实现 姓 名： 林俊杰 学 号： 130120052 学 院： 电气工程与自动化学院 专 业： 控制理论与控制工程 年 级： 2013 级 指导教师： 李玉蓉 2014 年 1月 8 日 一、基本遗传算法 遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了 达尔文的进化论和孟德尔的遗传学说。初始群体的产生个体编码适应度汁算选择运算交叉运算变异运算精英主义(Elitist Strategy)是基本遗传算法的一种优化。为了防止进化过程中产生的最优解被交叉和变异所破坏，可以将每一代中的最优解原封不动的复制到下一代中。和，其中后者为全局最大点。如图1、2、3所示为基本遗传算法在运行过程中，对最优解的跟踪曲线。可以看出未改进的基本遗传算法最优解跟踪曲线呈现出震荡，不稳定。甚至在整个寻求过程都无法找到最后的最优解，这样的遗传算法性能根本无法满足工程及应用要求。如图4所示基本遗传算法在某一代找到了最优解后，该最优解由于在轮盘选择中未被选中，所以很快的算法失去了该最有解，致使整个求解过程震荡，无结果。 图1 图2 图3 图4 三、引入精英主义的遗传算法程序运行结果与说明 引入精英主义后，很好的解决了该问题。如图5、6、7、8所示最优解寻求曲线快速的收敛到最优解，整个曲线平整无波动。具有较好的收敛速度、稳定性。明显克服了基本遗传算法的震荡不稳定。而且在数次运行过程中找出最优解的概率明显增加，但仍然存在不能求的最优解的情况。出现不能求解情况是待改进的地方。 图5 图6 图7 图8 四、总结 通过遗传算法程序的编写，熟悉了遗传算法的工作原理。通过引入精英主义对基本遗传算法进行了改进，解决了基本遗传算法的不稳定性、波动性、收敛速度慢的缺点。但在最优解求解的成功率上改进不是很大，有待将来改进。 五、程序附录 clc; clear; popsize=20; %群体大小 chromlength=20; %单个个体长度 pc=0.8; %交叉概率 pm=0.08; %变异概率 global tracenum; %全局变量用于每代中的最大值跟踪 tracenum=1; global maxtrace; pop=initpop(popsize,chromlength); %随机产生初始群体 for i=1:600 %600为进化代数 [objvalue]=calobjvalue(pop); %计算目标函数 fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度 [newpop]=selection(pop,fitvalue); %选择复制 %objvalue pop=newpop; %种群更新 [newpop]=crossover(pop,pc); %交叉 pop=newpop;%种群更新 [newpop]=mutation(pop,pm); %变异 pop=newpop;%种群更新 end [objvalue]=calobjvalue(pop); %计算目标函数 fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度 [newpop]=selection(pop,fitvalue); %复制 pop=newpop;%种群更新 ****************************************************************************** [objvalue]=calobjvalue(pop)%计算目标函数 x =