进化计算与遗传算法.pptVIP

基于MATLAB的遗传算法对PID控制器优化 遗传算法(Genetic Algorithm,简称GA)是基于自然选择和基因遗传学原理的一种群体寻优的搜索算法，特别适用于处理传统搜索方法难以解决的复杂和非线形问题，广泛用于自适应控制、智能制造控制、智能机器系统、人工智能等领域。基本的遗传算法由初始化、选择、交叉和变异四个部分组成,是一种应用比较广泛的随机优化算法。 一、遗传算法流程 1）随机选择N个初始点组成一个群体，群体内的每个点叫一个个体，或叫染色体。 2）按照一定的选择策略选择合适的个体，从中选择具有最好的M个个体作为重新繁殖的下一代群体。 3）以给定的交叉概率Pc在选择出的M个个体中任意选择两个个体进行交叉运算或重组运算，产生两个新的个体，直到所有要求交叉的个体交叉完毕。 4）根据需要可以以事先给定的变异概率Pm在M个个体中选择若干个体，并按一定的策略对选中的个体进行变异运算。 5）若满足收敛条件或固定迭代次数则停机：若不满足条件重新进行进化过程。每一次进化新一代的群体个体的解经过进化最终达到最优解。 二、遗传算法的MATLAB原理 1. 编码(决定初始化种群)　 先创建一个数组pop(popsize,stringlenth) 行popsize表示染色体个数，列stringlenth的前一部分代表x的染色体、后一部分代表y的染色体。计算x, y染色体所对应的十进制数值并记为数组pop的第stringlenth+ 1，stringlenth+2列，计算f(x,y)的值并记为数组pop的第stringlenth+3列，计算每个染色体的复制概率并记为数组pop的第stringlenth+4列。 2. 确保复制过程中染色体个数保持不变的情况下，确定每个染色体复制数。如果某一染色体的复制概率为负值，则令此染色体的复制数为0；复制概率为正的染色体的复制数根据其占正值总体的比率来确定， 复制数=比率×popsize。 3. 根据每个染色体的复制数重新创建新的染色体数组pop1。 4. 选择父代并进行交叉：在数组pop1中随机地使各染色体两两配对，作为父代进行交叉，创建新的数组child1和child2，交叉点cpoint随机选取，交叉概率pc根据实际情况人为选取。 5. 染色体变异：随机选取染色体中某一个或几个基因进行变异，创建新的数组child作为父代。 6. 保留上一代的优良染色体，作为部分初始值，和随机染色体组成新的染色体组。 遗传算法优化控制规则 1.参数编码方式 在应用遗传算法时，首先要将参数空间中待优化的变量，通过编码映射到编码空间。 2.适应度函数 各个个体自适应环境的程度函数称为适应值函数或适应度函数。 3.遗传操作 a)选择算子 b)交叉算子 c)变异算子 4.参数选择 在优化过程中取遗传算法参数如下:初始种群大小选为50，最大的进化代数选为100，交叉概率Pc选为0.8，变异概率Pm选为0.01。 Messy 遗传算法 Messy GA将GA的染色体编码串中各基因座位置及相应的基因值组成一个二元组，按一定顺排列起来，就组成一个变长染色体的一种编码方式 Messy GA由于编码长度可变，遗传操作算子选择具有特殊性。一般选择算子选用锦标赛选择方法，不再使用通用的交叉算子，而代之以切断算子和拼接算子。切断算子是以某一预先指定的概率，在变长度染色体中随机选择一个基因座，使之成为两个个体的基因型；拼接算子是以某一预先指定的概率，将两个个体的基因型连接在一起，使它们合并成一个个体的基因型 自适应遗传算法 遗传算法的参数中，交叉概率和变异概率的选择是影响遗传算法行为和性能的关键所在，直接影响着算法的收敛性 交叉概率越大，新个体产生的速度就越快。然而，交叉概率过大时遗传模式被破坏的可能性也越大，使得具有高适应度的个体结构很快就会被破坏；但是如果过小，会使搜索过程缓慢，以至停滞不前 对于变异概率，如果过小，不易产生新的个体结构；如果取值过大，那么遗传算法就变成了纯粹的随机搜索算法。 自适应遗传算法 Srinvivas等提出了自适应遗传算法，交叉概率和变异概率能够随适应度自动改变。当种群各个体适应度趋于一致或者趋于局部最优时，使交叉概率和变异概率增加；而当群体适应度比较分散时，使交叉概率和变异概率减少。同时，对于适应度值高于群体平均适应值的个体，对应于较低的交叉概率和变异概率，使该解得以保护进入下一代；而低于平均适应值的个体，相对应于较高的交叉概率和变异概率，使该解被淘汰 自适应遗传算法在保持群体多样性的同时，也保证遗传算法的收敛性 基于小生境技术的遗传算法 生物学上，小生境（niche）是指特定环境中的一种