利用遗传算法求函数的极小值.docx

1、利用遗传算法求出下面函数的极小值：z=2-exp[-(x2+y2)], x,y∈[-5,+5]对于此函数，求某一极值、或说最值时，由于x、y定义域与系数相同， x与y相对于z来说是地位等同的，因此可以转换成求该函数极值：；继而转换成了一种单变量函数。函数的实现：（1）ga_main脚本文件% GA main program% Edited by BianXuezi% n ? ---- 种群规模% ger ---- 迭代次数% pc ? ---- 交叉概率% pm ? ---- 变异概率% v ? ---- 初始种群（规模为n）% f ? ---- 目标函数值% fit ---- 适应度向量% vx ? ---- 最优适应度值向量% vmfit ---- 平均适应度值向量clear all;close all;clc;tic;n=20;ger=100;pc=0.70;pm=0.009;% 生成初始种群v=init_population(n,20); [N,L]=size(v);disp(sprintf(Number of generations:%d,ger));disp(sprintf(Population size:%d,N));disp(sprintf(Crossover probability:%.3f,pc));disp(sprintf(Mutation probability:%.3f,pm));% 待优化问题xmin=-5;ymin=-5;xmax=5;ymax=5;f=-2+exp(-x.^2-y.^2);%初始化sol=0.1;vmfit=[];it=1;vx=[];%C=[];% 计算适应度，并画出图形x=decode(v(:,1:10),xmin,xmax);y=decode(v(:,11:20),ymin,ymax);fit=eval(f);figure(1);[X,Y]=meshgrid(-5:0.1:5,-5:0.1:5);Z=-2+exp(-X.^2-Y.^2);mesh(X,Y,Z);grid on;hold on;plot3(x,y,fit,k*);title(染色体的初始位置);xlabel(x);ylabel(y);zlabel(f(x,y));% 开始进化while it=ger?? %Reproduction(Bi-classist Selection)?? vtemp=roulette(v,fit);?? %Crossover ? ?? v=crossover(vtemp,pc);?? %Mutation?? M=rand(N,L)=pm;?? %M(1,:)=zeros(1,L);?? v=v-2.*(v.*M)+M;?? %Results?? x=decode(v(:,1:10),xmin,xmax);?? y=decode(v(:,11:20),ymin,ymax);?? fit=eval(f);?? [sol,indb]=max(fit);?? v(1,:)=v(indb,:);?? media=mean(fit);?? vx=[vx sol];?? vmfit=[vmfit media];?? it=it+1;end%%%% 最后的结果disp(sprintf(\n)); ? %空一行% 显示最优解及最优值disp(sprintf(Maximum found[x,f(x)]:[%.4f,%.4f,%.4f],x(indb),y(indb),sol));% 图形显示最优结果figure(2);[X,Y]=meshgrid(-5:0.1:5,-5:0.1:5);Z=-2+exp(-X.^2-Y.^2);mesh(X,Y,Z);grid on;hold on;plot3(x,y,fit,k*);title(染色体的最终位置);xlabel(x);ylabel(y);zlabel(f(x,y));% 图形显示最优及平均函数值变化趋势figure(3);plot(vx);%title(最优,平均函数值变化趋势);xlabel(Generations);ylabel(f(x,y));hold on;plot(vmfit,r);hold off;runtime=toc（2）Crossover函数%Crossoverfunction v=crossover(vtemp,pc)[N,L]=size(vtemp);C(:,1)=rand(N,1)=pc;I=find(C(:,1)==1);I;j=1;for i=1:2:size(I)?? if i=size(I)?? ? ? break;?? end?? site=fix(1+L*rand(1));?? temp=vtemp(I(i,1),