最优化原理及应用.doc

“最优化原理及应用” 2008200388 姚远 1．用C语言，或者Matlab, 或者Fortran等编写一个完整的Simulated Annealing算法和Genetic 算法的优化程序。 解: 本题采用Matlab语言编写一个完整的SA算法优化程序。在该程序中选用的代价函数为：，初始的C0=1000，每一个阶段的Lk选为20，接受概率设为0.6，迭代的终止条件为e0.00001(e=)。初始值的选取范围为，每次迭代的扰动=6。C=C0/k。 的趋势如下图所示： 经过SA算法得出的结果为：x1=5.6682 f(x)=-3.8854。 程序如下： %退火算法 clear all clc C0=1000; x0=20*rand(1,1)-10; %取初始值 k=0; Lk=20; F=sin((x0-1.5)^2)+(x0-6)^2-3; %代价函数 delta_x=6; %扰动 e=1; epsilon=0.6; %接受概率 i=1; while (e0.00001) k=k+1; C=C0/k; for(i=1:Lk) w=2*rand(1,1)-1; x1=x0+w*delta_x; %产生一个x1 F1=x1^4-x1^3-15*x1^2+1; delta_f=F1-F; e=abs(delta_f); if (F1F) x0=x1; F=F1; X(i)=x1; i=i+1; else prob=exp(-delta_f/C); if (probepsilon) x0=x1; F=F1; X(i)=i+1; end end end end x0 F 下面为采用遗传算法的优化程序。该程序中的代价函数与上面的SA算法所用的一致。设定变量的二进制码链长度为10，基因库中的二进制码链个数为10。自变量的取值区间为，设定遗传算法的迭代次数为500。在每次迭代保留基因的选择中分别采用了均值法和轮盘赌的方法，在保留、交换和异化的过程中每次都将最好的基因保留在基因库的最后一行，即精英操作。 经过GA算法得出的结果为：x1=5.6696 f(x)=-3.8851。 从图中我们可以看出SA和GA算法均找到了该代价函数的最小值点。在运行的过程中GA的速度要明显快于SA。 程序如下： %遗传算法 % F=sin((x-1.5)^2)+(x-6)^2-3; 最优化问题的代价函数 % Q=1000-( sin((x-1.5)^2)+(x-6)^2-3); 遗传算法中定义的fitness clc clear all num=10; length=10; total=2^(length)-1; min=-5; %取值区间的长度 max=5; G=100; genome=round(rand(num,length)); %定义自变量的随机二进制编码，长度为length for (k=1:G) X=zeros(1,num); %二进制转化为???进制 for(i=1:num) for(j=length:-1:1) X(i)=X(i)+genome(i,j)*2^(length-j); end X(i)=X(i)/total*(max-min)+min; end for(i=1:num) %计算各变量的fitness Q(i)=1000-(sin((X(i)-1.5)^2)+(X(i)-6)^2-3); end [order,location]=sort(Q); bestgene=location(num); %最好的基因位置 BEST(k,:)=genome(bestgene,:); %最好的基因 % %保留 % q=sum(Q); % vector=(Q/q)*num; % vector=floor(vector); %将品质因数大于均值