人工智能matlab仿真.docVIP

. . 函数优化 该二元6次函数式一个多峰函数，共有6个极值，其中有两个极值点对应的函数取值为最小值。试求解函数的极值点。 （1）设计思路 本题采用遗传算法，遗传算法搜索最优解的方法是模仿生物的进化过程，遗传算法主要使用选择算子、 交叉算子与变异算子来模拟生物进化，从而产生一代又一代的种群。遗传算法具有通用、并行、稳健、简单与全局优化能力强等突出优点，适用于解决复杂、困难的全局优化问题。 （2）程序流程图 （3）实验程序 function objV=objectFunction(pop) m=size(pop,1); for i=1:m objV(i,1)=4*pop(i,1)^2-2.1*pop(i,1)^4+(1/3)*pop(i,1)^6+pop(i,1)*pop(i,2)-4*pop(i,2)^2+4*pop(i,2)^4; end %%初始化 clc; clear; pc=0.7; %交叉率 pm=0.05; %变异率 NIND=20; %个体数目 MAXGEN=1000; %最大遗传代数 NVAR=2; %变量维数 PRECI=40; %变量二进制数 GGAP=0.9; %代沟 trace_min=zeros(MAXGEN,1); %每代极小值 trace_max=zeros(MAXGEN,1); %每代极大值 %% 种群初始化 FieldD=[rep(PRECI,[1,NVAR]);[-1,-1;1,1];rep([1;0;1;1],[1,NVAR])]; %区域扫描 Chrom=crtbp(NIND,NVAR*PRECI); %创建初始种群 %% 计算第0代函数适应度，寻找最优个体 gen=0; pop=bs2rv(Chrom,FieldD); %将二进制初始种群转化为十进制 objV=objectFunction(pop); %计算函数适应度 minY=min(objV); %函数适应度最小值即函数最小值 maxY=max(objV); POP(:,:,gen+1)=pop(1:end,1:end); %% 进化过程 while genMAXGEN FitnV=ranking(-objV); SelCh=select(sus,Chrom,FitnV,GGAP); %选择 SelCh=recombin(xovsp,SelCh,pc); %重组 SelCh=mut(SelCh,pm); %变异 popnew=bs2rv(SelCh,FieldD); %新一代种群 objVSel=objectFunction(popnew); %计算子代目标函数值 [Chrom,objV]=reins(Chrom,SelCh,1,1,objV,objVSel); gen=gen+1; if minYmin(objV) %寻找当前极小值 minY=min(objV); [y,i]=min(objV); x=bs2rv(Chrom,FieldD); xmin(1,:)=x(i,:); disp([对应最小自变量取值：,num2str(x(i,:))]) %输出最优个体 disp([对应最小值：,num2str(y)]) %输出最优个体 end if maxYmax(objV) %寻找当前极大值 maxY=max(objV); [Y,I]=max(objV); X=bs2rv(Chrom,FieldD); xmax(1,:)=X(I,:); disp([对应最大自变量取值：,num2str(X(I,:))]) %输出最优个体 disp([对应最大值