遗传算法具箱使用实例.pptxVIP

遗传算法工具箱使用实例 遗传算法运算流程： Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。 Step 2：建立区域描述器。求解变量的约束条件，设置变量的取值范围。 Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。 Step 4：执行比例选择算子进行选择操作。 Step 5：按交叉概率对交叉算子执行交叉操作。 Step 6：按变异概率执行离散变异操作。 Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。 Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果。 遗传算法工具箱的使用 在MATLAB命令行窗口输入gatool，打开遗传算法工具箱： Solver(求解器)：用于选择需要的算法。 Problem：需要解决的问题。 (1)Fitness function：需要优化的目标函数，填写的格式为：@funname，其中funname.m是编写目标函数的M文件，返回一个具体数值。 (2)Number of variables：目标函数输入变量的数目。  Constraints（约束）： (1)Linear inequalities线性不等式约束：表示为：A*x=b，填写矩阵A和向量b的信息。  (2)Linear equalities线性等式约束：表示为：Aeq*x=beq，填写矩阵Aeq和向量beq的信息。 (3)Bounds：填写独立变量的取值范围。在Lower中填写变量的取值下界，Upper中填写变量的取值上界，均以向量形式表示。  (4)Nonlinear constraint function非线性约束函数：编写非线性约束函数的M文件nonlcon.m，则在此处填写@nonlcon。 Run solver and view results运行求解器并观察结果： 点击Start即可开始运行遗传算法。Current iteration中将显示当前运行的代数。Final point栏中显示最优解对应的变量的取值。 Option部分是遗传算法参数的设定： Population种群参数设定：  Population type编码方式：有浮点编码和二进制编码，默认为Double vector。  Population size种群大小：默认为20，定义每一代种群的个体数量。种群规模越大，遗传算法的运行速度越慢。  Creation function创建函数：创建初始种群。  Initial population初始种群，如果不指定初始种群，则系统将运用创建建函数创建初始种群。  Initial scores初始得分，如果此处没有定义初始得分，则系统应用适应度函数来计算初始得分。  Initial range初始范围，用于指定初始种群中的各变量的上下限。初始范围用一个矩阵表示，该矩阵行数为2，列数为变量的个数。其中第一行描述初始种群中变量的取值下限，第二行描述初始种群中变量的取值上限。 Fitness scaling：变换适应度函数值的函数句柄。  Elite count：直接保留上一代的个体的个数。  Crossover fraction：交叉的概率。  Migration中，指定迁移的方向，概率，和频率。  Stopping criteria中，指定结束条件。Generations和time limit指定代数和时间的最大极限。 Fitness limit指定fitness值相差小于某一阈值时就可以收敛了。  Stall generation和stall time limit指经历多少代或多久，最优值都没有出现变化时即收敛。   Plot functions与图形输出有关，plot interval指定多少代输出一次，默认为1.best fitness和best invividual表示将最优值和相应个体输出到图像上。  Display 通过command window输出到命令窗口。有off，final，interative，diagnose 4个选择。 初始种群的生成函数： Function[pop]=initializega(num,bounds,eevalFN,eevalOps,options) 输出参数： pop：生成的初始种群 输入参数： num：种群中的个体数目 bounds：代表变量的上下界的矩阵 eevalFN：适应度函数 eevalOps：传递给适度函数的参数 options：选择编码形式（浮点编码或二进制编码）precision F_or_B Precision：变量进行二进制编码时指定的精度，F_：选择浮点编码，_