第5章(计算智能7-遗传算法)要点.ppt

简单遗传算法的步骤： 初始化种群 计算种群中每一个个体的适应度函数值 根据与适应度相关联的规则确定进入下一轮的个体 按照某一个概率进行交叉操作 按照某一个概率进行变异操作 如果不满足终止条件，则转到(2)，否则继续 将种群中适应度最优的个体作为问题的解 遗传算法的终止条件：需满足其中之一 1、完成预先给定的进化代数。 2、种群中最优个体或者平均适应度在连续若干代没有改进。 开始 初始化种群 计算适应度值 选择操作 交叉操作 变异操作 终止条件？ 选取适应度最优个体作为解 结束 是 3 遗传算法例子 求最大值 求一阶导数，并令其为零 得 求二阶导数 f(x) f’(x) f’’(x) 主要步骤： 编码：22位二进制数码串 种群初始化 适应度函数：函数本身 遗传操作：选择、交叉、变异操作 算法的若干关键参数：种群大小、种群代数、选择交叉变异概率等 结果： 最佳个体： 1111 0011 0100 0100 0001 01 对于自变量值：1.850773 函数值： 2.850227 4 Matlab中的遗传算法函数 使用方式： 函数形式 ga 图形界面形式 optimtool(选择ga) 包含在Matlab2010版本的Global Optimization Toolbox 工具箱中，只能求最小值 数学问题： 线性的等式与不等式约束 非线性的等式与不等式约束 变量的上下界 变量 GA算法的函数形式： x = ga(fitnessfcn, nvars) x = ga(fitnessfcn, nvars, A, b) x = ga(fitnessfcn, nvars, A, b, Aeq, beq) x = ga(fitnessfcn, nvars, A, b, Aeq, beq, LB,UB) x = ga(fitnessfcn, nvars, A, b, Aeq, beq, LB, UB, nonlcon) x = ga(fitnessfcn, nvars, A, b, Aeq, beq, LB, UB, nonlcon, options) x = ga(problem) [x,fval] = ga(...) [x,fval,exitflag] = ga(...) [x, fval, exitflag] = ga(fitnessfcn, nvars, A, b, Aeq, beq, LB, UB, nonlcon, options) 输入： fitnessfcn: 求目标函数值的Matlab函数，用户自己编写，调用必须带@ num: 变量的个数 options：算法参数的设置 (可缺省） 函数fitnessfcn的编写： 例： Matlab函数 function y=simple_fitness(x) y=100*(x(1)^2-x(2))^2+(1-x(1))^2 用simple_fitness代替ga中的fitnessfcn PopulationType: doubleVector PopInitRange: [2x1 double] PopulationSize: 20 EliteCount: 2 CrossoverFraction: 0.8000 MigrationDirection: forward MigrationInterval: 20 MigrationFraction: 0.2000 Generations: 100 TimeLimit: Inf FitnessLimit: -Inf StallLimitG: 50 StallLimitS: 20 Options 的内容： InitialPopulation: [ ] InitialScores: [ ] PlotInterval: 1 CreationFcn: @gacreationuniform FitnessScalingFcn: @fitscalingrank SelectionFcn: @selectionstochunif CrossoverFcn: @crossoverscattered MutationFcn: @mutationgaussian HybridFcn: [ ] Display: final PlotFcns: [ ] OutputFcns: [ ] Vectorized: off’ 参数设置函数：gaoptimset 生成参数结构与设置参数值： options=gaoptimset(‘param1’,val1,’param2’,val2,…) 改变参数设置 options=gaoptimset(options, ’param1’,val2,….) 参数