数学建模专题之遗传算法-2015.pptVIP

4遗传算法求解巡回旅行商问题 4.3 计算仿真结果 701.7754 路径长度： 迁移代数： 100 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 624.1821 路径长度： 迁移代数： 150 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 523.2674 路径长度： 迁移代数： 200 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 491.4063 路径长度： 迁移代数： 250 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 453.1959 路径长度： 迁移代数： 300 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 430.3986 路径长度： 迁移代数： 350 4.3 计算仿真结果 424.8693 路径长度： 迁移代数： 400 Best 4 遗传算法求解巡回旅行商问题 距离为426.64Km的访问次序 距离为424.78Km的访问次序（最优） 距离为431.94Km的访问次序 4 遗传算法求解巡回旅行商问题 距离为424.78Km的访问次序（最优） 距离为466.30Km的访问次序 距离为454.75Km的访问次序 4 遗传算法求解巡回旅行商问题 4.4 关于遗传算法操作算子的验证 4 遗传算法求解巡回旅行商问题 “实验数据”课程所做的正交试验极差分析结果（迁移500代后退出的结果）。 对于上表，有（验证）以下基本结论： （1）遗传算法搜索求解能力与四个因素有关：群体规模、选择算子、交叉率和变异率 。 （2）从主到次依次为：交叉率——群体规模——选择算子——变异率。 （3）A3-B2-C1-D3是优选方案。 4 遗传算法求解巡回旅行商问题 左图（进行50次独立运算求解，每次迁移1000代，有36次能收敛到全局最优解）是比较优的参数组合。实际上可看出，迭代进行到450代之后，所得到得最优个体基本不再发生变化，且其最优路径与真实的最有路径差距非常小。 4 遗传算法求解巡回旅行商问题 左图（进行50次独立运算求解，每次迁移1000代，有24次能收敛到全局最优解）表明：选择算子取值太大，收敛速度很快，但陷入局部最优解的可能性大大提高，而基本上不可能再跳出来。 约350代便收敛 4 遗传算法求解巡回旅行商问题 左图（进行50次独立运算求解，每次迭代1000代，仅有6次能收敛到全局最优解）表明：交叉率选取太大，导致群体中的优良模式遭到破坏，产生较大的代沟，从而使搜索走向随机化。 450Km左右 4 遗传算法求解巡回旅行商问题 左图（进行50次独立运算求解，每次迁移1000代，有18次能收敛到全局最优解）表明：变异率选取太大，遗传算法几乎退化为随机搜索，陷入局部最优解后比较难跳出来。 约380代左右 4 遗传算法求解巡回旅行商问题 5遗传算法优化神经网络 见课件遗传算法优化神经网络 6 遗传算法的实现 Matlab的GA工具箱 Matlab的GA函数调用 根据原理编写属于自己的GA 6 遗传算法的实现： Matlab的GA工具箱 6 遗传算法的实现 Matlab的GA函数调用 第一步：编写适应度函数； 第二步：对GA参数进行设置； options = gaoptimset(‘参数名’, 参数值, …, ‘参数名’, 参数值) 例:options = gaoptimset(PopulationSize, 100) 第三步：调用GA函数； [x fval] = ga(@fitnessfun, nvars) [x fval exitflag output population scores] = ga(@fitnessfcn, nvars) [x fval] = ga(@fitnessfun, nvars, [],[],[],[],[],[],[],options)； specify any linear equality, linear inequality, or nonlinear constraints 6 遗传算法的实现 Matlab的GA函数调用 [x fval] = ga(@fitnessfun, nvars, [],[],[],[],[],[],[], options)； fitnessfcn — Fitness function nvars — Number of variables for the problem Aineq — Matrix for inequality constraints Bineq — Vector for inequality constraints Aeq — Matrix for equality constraints Beq — Vector for equality constraints LB — Lower bo