常见的遗传算法2017-7.ppt

函数ga——带线性约束条件 适应度函数另存为：fun_1.m在当前目录 function y=fun_1(x); %x为自变量行向量 c=[2 4 6]; % c为目标函数系数 y=c*x‘ % y为适应度函数值，求两向量的数量积 函数ga——带线性约束条件 A=[1 0 -1;-1 -2 0;-1 0 0]; % A为AX=b的系数矩阵 b=[10;-1;0]; % b为AX=b的常数项 Aeq=[0 1 1]; %AeqX=beq的系数矩阵 beq=12; %AeqX=beq的常数项 函数ga——带线性约束条件 [x,y]=ga(@fun_1,3,A,b,Aeq,beq,[],[]); [x,y]=ga(@fun_1,3,A,b,Aeq,beq); % 或 x = -0.0010 22.0010 -10.0020 y = 27.9900 * * 对求函数最大值的优化问题（或最小值），可描述为下述数学规划模型： max f(X) (1-1) s.t. X?R (1-2) R?U (1-3) 其中： X＝[x1,x2,…,xn]T为决策变量， f(X)为目标函数， 式(1-2)、(1-3)为约束条件， U是基本空间， R是U的一个子集。 满足约束条件的解X称为可行解； 集合R表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。 优化问题 遗传算法在函数优化中的应用 例：利用遗传算法求解区间［0,31］上的二次函数y=x2的最大值，x为自然数。 将每一个自然数看成一个生命体，通过进化，看谁能生存下来，谁就是所寻找的数字，即问题的解。 y=x2 31 X Y 0 * * 求解过程 将每一个数作为一个生命体，就必须给其赋予一定的基因，这个过程叫做编码。可以将变量x编码成5位长的二进制无符号整数表达形式，例如：x=13 (01101), 即数13的基因为 01101。 编码 1 2 * * 解的编码 解空间 一个解的编码 染色体(chromosome) 编码 其中的一个码和码所在的位置 基因(gene)/基因位 * * 求解过程 将每一个数作为一个生命体，就必须给其赋予一定的基因，这个过程叫做编码。可以将变量x编码成5位长的二进制无符号整数表达形式，例如：x=13 (01101), 即数13的基因为 01101。 由于遗传的需要，必须设定一些初始的生物群体，让其作为生物繁殖的第一代。为了保证生物的多样性和竞争的公平性，初始种群的所有个体都是通过随机方法产生的。 编码 1 2 初始种群的生成 * * 解的编号 解的编码 1 2 3 . . . . . . POP 群体规模 4 * * 生物的进化服从适者生存、优胜劣汰的规则。因此必须规定什么样的基因是“优”的，什么样的基因是“劣”的，称为适应度函数。显然，定义 为适应度函数，然后计算所有个体的适应度值。 适应度计算 3 4 * * 解码 计算适应度 * * 生物的进化服从适者生存、优胜劣汰的规则。因此必须规定什么样的基因是“优”的，什么样的基因是“劣”的，称为适应度函数。显然，定义 为适应度函数，然后计算所有个体的适应度值。 选择运算就是优胜劣汰的过程，把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中，一般适应度较高的个体将有更多的机会遗传到下一代群体中。 选择是一个概率选择的过程，基因差的不一定会被淘汰。 适应度计算 选择 3 4 * * 为了产生新的个体，种群中进行交叉繁殖。以某一概率选出两个个体，相互交换一部分基因，就形成了两个新的个体。 交叉 5 * * 交叉位 Pcross cross 父代个体 子代个体 交叉概率 连续改变个体多个基因位上的遗传信息 1 2 1 2 * * 为了产生新的个体，种群中进行交叉繁殖。以某一概率选出两个个体，相互交换一部分基因，就形成了两个新的个体。 变异运算是将个体基因中的某一位以一定的小概率发生变化，也可以产生新的个体。 交叉 5 6 变异 * * 变异位 P