遗传算法实验心得.docxVIP

遗传算法实验心得 　　1.定义种群和个体　　定义种群为S，种群数N=50，其中x,y是染色体中的两个基因组。　　2.算法设计　　确定编码设计　　由于原函数的变量取值包含负数，不方便进行编码，所以将原函数的变量进行转换，从　　[-1010]转换成[020]，相应的，函数也要进行变换。　　根据要求分辨率为，即编码范围至少为[0XX00]，设编码位数为n+1，则20/(2^(n+1)-1)=s中最小的个体并选择复制。　　4）进入N次2、3操作，得到N个个体，形成新一代种群S1。　　交叉　　参加交叉运算的染色体个数占全体染色体总数的比例，记为Pc，根据要求本题中选为20/50，28/50，36/50，44/50.　　按交叉率所决定参加交叉的染色体个数C，从S1中随机算则C配对进行交叉操作，并用产生的新染色体代替原染色体，得到新种群S2。　　其中值得注意的是，代码编写过程中设置了交叉掩码，由于题目中设定交叉位数为个体位数的一半，所以设计代码如下：　　cover=[111];%生成交叉掩码mask(1:18)=cover(randperm(18));%打乱　　mask(19:36)=cover(randperm(18));　　掩码中的片段表明了哪个父体向字体提供变量值，利用交叉操作我们有可能由父代个体　　在子代组合成具有更高适应度的个体。　　变异　　发生变异的基因位数所占全体染色体的基因总位数的比例，即为Pm，根据要求本题中选为1/50，5/50，10/50，15/50.　　按变异率所决定的变异次数m，从交叉所得的种群中随机确定m个染色体进行变异操作，用产生的新染色体代替原染色体，得到新种群S3。　　最优个体的保存　　需要将最高适应度和其对应的最优个体进行存储。　　3.结果分析　　四组结果比较，如下图所示，可以发现，交叉率和变异率越高越容易达到最优，但是达到最优的速度不定，这应该与没有进行最有个体的保护有关，所以曲线也较为曲折。　　得到的最高适应度为，而且由于每次初始化的种群不同，所以交叉率与变异率的对比也有一定的变化因素在。　　4.作业心得　　附代码：　　%函数功能是实现群体的初始化，其中N为群体大小，length是染色体的长度，即二进制的位数　　%本次程序中，位数取18　　functiongroup=init(N,length)　　group=round(rand(N,length));%rand随机生成行数为N，列数为length，单元值为{0，1}的随机数矩阵　　%round对矩阵中的每个单元的值进行四舍五入，进行二值化处理，每一列即为随机产生的18位染色体编码　　%将二进制数转化为十进制数　　%产生[2^n2^(n-1)...1]的行向量，与对应二进制列相乘，然后求和　　functiongroupdec=decodebinary(group)　　[gx,gy]=size(group);%求group的行列数　　fori=1:gy　　temp(:,i)=2.^(gy-i).*group(:,i);　　end　　groupdec=sum(temp,2);%对相乘后的矩阵进行每行求和　　%将二进制编码转化为十进制数，其中参数point表示待解二进制码串的起始位置　　%因为对于本题来说，有两个变量，用36来表示，每个变量18，那么第一个变量从1开始，第二个变量就从19开始　　functiongroupdec=decodestr(group,point,length)　　temp=group(:,point:point+length-1);　　groupdec=decodebinary(temp);%调用二进制转十进制函数　　%选择复制　　function[newgroup1]=selection(group,fitvalue)　　fsum=sum(fitvalue);%求适应度之和　　fitvalue=fitvalue/fsum;%求单个个体被选中的概率　　fitvalue=cumsum(fitvalue);%累积概率　　[gx,gy]=size(group);　　s=sort(unifrnd(0,1,1,gx));%获取随机数组，并从小到大排列，方便适应度选择　　fitin=1;　　newin=1;　　whilenewin0　　temp=objvalue(i);　　else　　temp=;%目标函数值为负数则将该适应度赋为0　　end　　fitvalue(i)=temp;　　end　　%求出群体中适应度最高的值　　function[bestindividual,bestfit]=best(group,fitva