非线性整数规划的遗传算法Matlab程序.docxVIP

非线性整数规划的遗传算法 Matlab 程序 通常，非线性整数规划是一个具有指数复杂度的 NP 问题，如果约束较为复杂，Matlab 优化工具箱和一些优化软件比如 lingo 等，常常无法应用，即使能应用也不能给出一个较为令人满意的解。这时就需要针对问题设计专门的优化算法。下面举一个遗传算法应用于非线性整数规划的编程实例，供大家参考！ 模型的形式和适应度函数定义如下： 这是一个具有200个01决策变量的多目标非线性整数规划，编写优化的目标函数如下，其中将多目标转化为单目标采用简单的加权处理。 function Fitness=FITNESS(x,FARM,e,q,w) 适应度函数 输入参数列表 % x 决策变量构成的4×50的0-1矩阵 FARM细胞结构存储的当前种群，它包含了个体 x e4×50的系数矩阵 q4×50的系数矩阵 % w 1×50的系数矩阵 %% gamma=0.98; N=length(FARM);%种群规模 F1=zeros(1,N); F2=zeros(1,N); for i=1:N xx=FARM{i}; ppp=(1-xx)+(1-q).*xx; F1(i)=sum(w.*prod(ppp)); F2(i)=sum(sum(e.*xx)); end ppp=(1-x)+(1-q).*x; f1=sum(w.*prod(ppp)); f2=sum(sum(e.*x)); Fitness=gamma*sum(min([sign(f1-F1);zeros(1,N)]))+(1-gamma)*sum(min([sign(f2- F2);zeros(1,N)])); 针对问题设计的遗传算法如下，其中对模型约束的处理是重点考虑的地方 function [Xp,LC1,LC2,LC3,LC4]=MYGA(M,N,Pm) 求解01整数规划的遗传算法 输入参数列表 % M 遗传进化迭代次数 % N 种群规模 % Pm 变异概率 输出参数列表 % Xp 最优个体 LC1 子目标1的收敛曲线 LC2 子目标2的收敛曲线 LC3 平均适应度函数的收敛曲线 LC4 最优适应度函数的收敛曲线 参考调用格式[Xp,LC1,LC2,LC3,LC4]=MYGA(50,40,0.3) 第一步：载入数据和变量初始化 load eqw;%载入三个系数矩阵 e,q,w %输出变量初始化 Xp=zeros(4,50); LC1=zeros(1,M); LC2=zeros(1,M); LC3=zeros(1,M); LC4=zeros(1,M); Best=inf; 第二步：随机产生初始种群 farm=cell(1,N);%用于存储种群的细胞结构 k=0; while k %以下是一个合法个体的产生过程 x=zeros(4,50);%x 每一列的1的个数随机决定 for i=1:50 R=rand; Col=zeros(4,1); if R0.7 RP=randperm(4);%1的位置也是随机的 Col(RP(1))=1; elseif R0.9 RP=randperm(4); Col(RP(1:2))=1; else RP=randperm(4); Col(RP(1:3))=1; end x(:,i)=Col; end %下面是检查行和是否满足约束的过程，对于不满足约束的予以抛弃 Temp1=sum(x,2); Temp2=find(Temp120); if length(Temp2)==0 k=k+1; farm{k}=x; end end 以下是进化迭代过程counter=0;%设置迭代计数器 while counter 第三步：交叉 %交叉采用双亲双子单点交叉 newfarm=cell(1,2*N);%用于存储子代的细胞结构 Ser=randperm(N);%两两随机配对的配对表 A=farm{Ser(1)};%取出父代 A B=farm{Ser(2)};%取出父代 B P0=unidrnd(49);%随机选择交叉点 a=[A(:,1:P0),B(:,(P0+1):end)];%产生子代 a b=[B(:,1:P0),A(:,(P0+1):end)];%产生子代 b newfarm{2*N-1}=a;%加入子代种群 newfarm{2*N}=b; %以下循环是重复上述过程 for i=1:(N-1) A=farm{Ser(i)}; B=farm{Ser(i+1)}; P0=unidrnd(49); a=[A(:,1:P0),B(:,(P0+1):end)]; b=[B(:,1:P0),A(:,(P0+1):end)]; newfarm{2*i-1}=a; newfarm{2*i}=b; end FARM=[farm,n