实验利用遗传算法进行函数优化.doc

实验 利用遗传算法进行函数优化 一、实验目的 1 了解及掌握遗传算法的基本操作 2 利用遗传算法解决实际问题 3 熟悉MATLAB编程语言 二、实验内容 编写一个基于遗传算法的函数寻优程序，完成如下任务： 1、在区间[-1,2]上搜索函数f1=x*sin(10πx)+2的最大值。 2、搜索函数f2=x12+x22 的最小值 (其中，-5.12x1,x25.12) 程序由选择、交叉和变异三个遗传操作及群体更新等主要算法模块以及随机函数发生器、译码、适应度评估模块组成。程序输入参数为群体规模、染色体长度，交叉概率，变异概率等。其中，群体规模的取值范围为2—100之间的任意偶数，染色体长度取不大于64的整数，交叉概率和变异概率的取值范围为[0，1]。输出数据包括每代最优个体码串、译码值、目标函数值以及用图形显示逐渐逼近最优解的过程。 三、实验原理 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 四、程序与运行结果 第一题： figure(1); fplot(variable.*sin(10*pi*variable)+2.0,[-1,2]); %画出函数曲线 %定义遗传算法参数 NIND=40; %个体数目 MAXGEN=25; %最大遗传代数 PRECI=20; %变量的二进制位数 GGAP=0.9; %代沟 trace=zeros(2, MAXGEN); %寻优结果的初始值 FieldD=[20;-1;2;1;0;1;1]; %区域描述器 Chrom=crtbp(NIND, PRECI); %初始种群 gen=0; %代计数器 variable=bs2rv(Chrom, FieldD); %计算初始种群的十进制转换 ObjV=variable.*sin(10*pi*variable)+2.0; %计算目标函数值 while genMAXGEN FitnV=ranking(-ObjV); %分配适应度值 SelCh=select(sus, Chrom, FitnV, GGAP); %选择 SelCh=recombin(xovsp, SelCh, 0.7); %重组 SelCh=mut(SelCh); %变异 variable=bs2rv(SelCh, FieldD); %子代个体的十进制转换 ObjVSel=variable.*sin(10*pi*variable)+2.0; %计算子代的目标函数值 [Chrom ObjV]=reins(Chrom, SelCh, 1, 1, ObjV, ObjVSel); %重新插入子代的新种群 variable=bs2rv(Chrom, FieldD); gen=gen+1; %代计数器增加 %输出最优解及其序号，并在目标函数图像中标出，Y为最优解，I为种群的序号 [Y, I]=max(ObjV);hold on; plot(variable(I), Y, bo); trace(1, gen)=max(ObjV); %遗传算法性能跟踪 trace(2, gen)=sum(ObjV)/length(ObjV); end variable=bs2rv(Chrom, FieldD); %最优个体的十进制转换 hold on, grid; plot(variable,ObjV,b*); figure(2); hold on; plot(trace(2,:),-.);grid legend(解的变化,种群均值的变化) 最后寻优结果为：x=1.8505，f(x)=3.8503 第二题： function result=zuoye23(Size,umin,umax,pc,pm,e) clc; clear; tic; Size=80; G=100; CodeL=10; umax=5.12; umin=-5.12; E=round(rand(Size,3*CodeL)); for k=1:1:G time(k)=k; for s=1:1:Size m=E(s,:); y1=0;y2=0; m1=m(1:1:CodeL); for i=1:1:CodeL y1=y1+m1(i)*2^(i-1); end