应用篇-第15章-遗传算法的仿真与实现.pptx

第15章 遗传算法的仿真与实现;15.1 遗传算法介绍; 使用遗传算法需要决定的运行参数有：编码串长度、种群大小、交叉和变异概率。编码串长度由优化问题所要求的求解精度决定。种群大小表示种群中所含个体的数量，种群较小时，可提高遗传算法的运算速度，但却降低了群体的多样性，可能找不出最优解； 种群较大时，又会增加计算量，使遗传算法的运行效率降低。一般取种群数目为20 ~ 100。交叉概率控制着交叉操作的频率，由于交叉操作是遗传算法中产生新个体的主要方法，所以交叉概率通常应取较大值；但若过大的话，又可能破坏群体的优良模式。一般取0.4 ~ 0.99。变异概率也是影响新个体产生的一个因素，变异概率小，产生新个体少；变异概率太大，又会使遗传算法变成随机搜索。一般取变异概率为0.0001 ~ 0.1。遗传算法常采用的收敛判据有：规定遗传代数；连续几次得到的最优个体的适应值没有变化或变化很小等。 ;15.2遗传算法基本原理;15.2.1编码;15.2.2 适应度评价函数;15.2.3选择算子;15.2.4交叉算子;15.2.5 变异算子;15.2.6 终止代数;15.3遗传算法的数学模型15.3.1Matlab遗传算法工具箱简介;3 选择函数 选择函数决定哪些个体进入下一代。 选择函数：Funtion[newPop]=selectFuntion(oldPop,options). 其中 newPop是被选择的新种群，oldPop是当前种群，options是其他可选参数向量。 遗传算法工具箱给出了roulette.m，normGeomSelect.m，tourn.m等3个选择函数。 4 初始化函数和终止函数 遗传算法工具箱给出了initializega.m，initializeoga.m，2个种群初始化函数和maxGenTerm.m，optMaxGenTerm2个终止函数。 遗传算法工具箱已经在多维变量优化。非线性规划、参数优化和动态系统最优控制等一系列领域有了很好的应用。;15.4遗传算法的MATLAB实现;在上面的代码中，首先根据各决策变量的下界(min_var)、上界(max_var)及其搜索精度scale_var来确定表示各决策变量的二进制串的长度bits，然后随机产生一个种群大小为popsize的初始种群bin_gen。编码后的实际搜索精度为scale_dec= (max_var-min_var)/(2^bits-1),该精度会在解码时用到。 2 解码 编码后的个体构成的种群bin_gen必须经过解码???转换成原问题空间的决策变量构成的种群var_gen，方能计算相应的适应值。 3 选择 选择过程是利用解码后求得的各个体适应值大小，淘汰一些较差的个体而选出一些比较优良的个体，已进行下一步的交叉和变异操作。 4 交叉 下面采用单点交叉的方法来实现交叉算子，即按选择概率PC在两两配对的个体编码串cpairs 中随机设置一个交叉点cpoints ，然后在该点相互交换两个配对个体的部分基因，从而形成两个新的个体， 5 变异 对于二进制的基因串而言，变异操作就是按照变异概率pm 随机选择变异点 mpoints，在变异点出将去位取反即可。 ;15.5遗传算法实例及Matlab实现;1.1初始化(编码) % initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)， % 长度大小取决于变量的二进制编码的长度(在本例中取10位)。 %遗传算法子程序 %Name: initpop.m %初始化 function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength)); % rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵， % round对矩阵的每个单元进行圆整。这样产生的初始种群。 % 1.2 计算目标函数值 % 1.2.1 将二进制数转化为十进制数(1) %遗传算法子程序 %Name: decodebinary.m %产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制;% 1.2.2 将二进制编码转化为十进制数(2) % decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置 % (对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)， % 参数1ength表示所截取的长度（本例为10）。 %遗传算法子程序 %Na