智能多媒体实验报告-基于遗传算法的函数优化精选.docVIP

智能多媒体实验报告 实验六：基于遗传算法的函数优化 姓名： 班级： 学号： 同做者： 一、实验目的 利用遗传算法求解函数极值。 二、算法概要 1．遗传算法概要 遗传算法是具有“生成+检测”的迭代过程的搜索算法。它的基本处理流程如图6.1所示。由此流程图可见，遗传算法是一种群体型操作，该操作以群体中的所有个体为对象。选择（selection）、交叉（crossover）和变异（mutation）是遗传算法的3个主要操作算子，它们构成了所谓的遗传操作（genetic operation），使遗传算法具有了其它传统方法所没有的特性。遗传算子包含如下6个基本因素： 参数编码：由于遗传算法不能直接处理解空间的解数据，因此必须通过编码将它们表示成遗传空间的基因型串结构数据。 生成初始群体：由于遗传算法的群体型操作需要，所以必须为遗传操作准备一个由若干初始解组成的初始群体。初始群体的每个个体都是通过随机方法产生。 适应度评估检测：遗传算法在搜索进化过程中一般不需要其他外部信息，仅用适应度（fitness）值来评估个体或解的优劣，并作为以后遗传操作的依据。 选择（selection）：选择或复制操作是为了从当前群体中选出优良的个体， 使它们有机会作为父代为下一代繁殖子孙。个体适应度越高，其被选择的机会就越多。此处采用与适用度成比例的概率方法进行选择。具体地说，就是首先计算群体中所有个体适应度的总和（），再计算每个个体的适应度所占的比例（），并以此作为相应的选择概率。 交叉操作：交叉操作是遗传算法中最主要的遗传操作。简单的交叉（即一点交叉）可分两步进行：首先对种群中个体进行随机配对;其次，在配对个体中随机设定交叉处，配对个体彼此交换部分信息。 （6） 变异：变异操作是按位（bit）进行的，即把某一位的内容进行变异。变异操作同样也是随机进行的。一般而言，变异概率都取得较小。变异操作是十分微妙的遗传操作，它需要和交叉操作配合使用，目的是挖掘群体中个体的多样性，克服有可能限于局部解的弊病。 这6个要素构成了遗传算法的核心内容，其流程如图6.1所示。 图6.1 遗传算法的基本流程 2．二进制编码及解码方法 二进制编码是遗传算法中最主要的一种编码方法，它使用的编码符号集是由二进制符号0和1所组成的二进制符号集{0，1}，它所构成的个体基因型是一个二进制编码符号串。 二进制编码符号串的长度与问题所要求的求解精度有关。假设某一参数的取值范围是[Umin，Umax]，我们用长度为L的二进制编码符号串来表示该参数，则它总共能够产生种不同的编码，若使参数编码时的对应关系如下： …=0 → Umin …=1 → Umin+δ … … … …=2L﹣1 → Umax 则二进制编码的编码精度为： （6-1） 假设某一个个体的编码是：X bLbL﹣1bL，则对应的解码公式为： （6-2） 例如，对于，若用十位长的二进制编码来表示该参数的话，则下述符号串： X： 就可表示一个个体，它所对应的参数值是。此时的编码精度为。 其中：f 个体适应度 [Umin，Umax] 某变量的取值范围 δ 编码精度 三、算法步骤及流程图 Step1：参数设置及种群初始化； Step2：适应度评价； Step3：轮盘赌选择； Step4：交叉； Step5：变异； Step6：适应度评价； Step7：终止条件判断，若未达到终止条件，则转到Step3； Step8：输出结果。 四、实验程序 主程序 clc; clear;close all; v = 2*rand(50,22)-1; v=hardlim(v); [N,L] = size(v); ger = 200; pc = 0.5; pm = 0.01; updatef=0;c=0; 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)); f=-1*(x.^2+y.^2); % General parameters Initial operations sol1=1; vmfit = []; it = 1; vx = []; C = [];updatef=-10; x = decod(v(:,1:11),11); y = decod(v(:,12: