智能控制第三版chap10 智能算法及其应用2.pptVIP

for s=1:1:Size m=E(s,:); y1=0; y2=0; m1=m(1:1:CodeL); % 取第 1 个变量 x1 的染色体 for i=1:1:CodeL y1=y1+m1(i)*2^(i-1); % 求对应的十进制数 end x1=(umax-umin)*y1/1023+umin; % 解码，求变量 x1 的值 m2=m(CodeL+1:1:2*CodeL); % 取第 2 个变量 x2 的染色体 for i=1:1:CodeL y2=y2+m2(i)*2^(i-1); end x2=(umax-umin)*y2/1023+umin; F(s)=100*(x1^2-x2)^2+(1-x1)^2; % 目标函数值 end 0 20 40 60 80 100 2.6 2.7 2.8 2.9 3 3.1 3.2 3.3 3.4 3.5 x 10 -4 Times B e s t J 0 20 40 60 80 100 2900 3000 3100 3200 3300 3400 3500 3600 3700 3800 3900 times B e s t F 34 遗传算法的优化过程是目标函数 J 和适应度函数 F 的变化过程。 由仿真结果可知，随着进化过程的进行， 群体中 适应度较低的一些个体被逐渐淘汰掉，而适应度较高 的一些个体会越来越多，并且它们都集中在所求问题 的最优点附近 ，从而搜索到问题的最优解。 35 10.5.2 实数编码遗传算法求函数极大值 求解该问题遗传算法的构造过程： （ 1 ）确定决策变量和约束条件； （ 2 ）建立优化模型； （ 3 ）确定编码方法：用 2 个实数分别表示两个 决策变量 x 1 , x 2 ，分别将 x 1 , x 2 的定义域离散化 为从离散点 - 2.048 到离散点 2.048 的 Size 个实 数。 36 （ 4 ）确定个体评价方法： 个体的适应度直接取为对应的目标函数值， 即 ) , ( ) ( 2 1 x x f x F ? ) ( 1 ) ( x F x J ? 选个体适应度的倒数作为目标函数 37 （ 5 ）设计遗传算子：选择运算使用 比例选择 算子， 交叉运算使用 单点交叉 算子，变异运算使用 基本位变 异 算子。 （ 6 ）确定遗传算法的运行参数：群体大小 M=500 ，终 止进化代数 G=200 ，交叉概率 P c =0.90 ，采用自适应变 异概率 ? ? m 0.10 1 [1:1:Size]/Size P fit ? ? ? 即变异概率与适应度有关， 适应度越小，变异概率越 大 。 38 上述六个步骤构成了用于求函数 Rosenbrock 极大值 的实数编码遗传算法，仿真程序见 chap10_2.m 。 %************ Step 3 : 交叉操作 ************ Pc=0.90; % 交叉概率 for i=1:2:(Size-1) temp=rand; if Pctemp alfa=rand; TempE(i,:)=alfa*E(i+1,:)+(1-alfa)*E(i,:); % 交叉操作 TempE(i+1,:)=alfa*E(i,:)+(1-alfa)*E(i+1,:); end end 第 i+1 个个体与第 i 个个体进行交叉 %************ Step 4: 变异操作 ************** Pm=0.10-[1:1:Size]*(0.01)/Size; % 自适应变异概率 Pm_rand=rand(Size, CodeL); Dif=(MaxX - MinX); for i=1:1:Size for j=1:1:CodeL if Pm(i)Pm_rand(i,j) %Mutation Condition TempE(i,j)=MinX(j)+Dif(j)*rand; % 变异操作 end end end 变异操作：随机变成另一个数了 40 10.6 基于遗传算法优化的 RBF 网络逼 近 10.6.1 遗传算法优化原理 在 7.3 节的 RBF 网络逼近算法中，网络权 值 W 、高斯函数的中心矢量 C 和基宽向量 B 的 初值 难以确定，如果这些参数选择不当，会 造成逼近精度的下降甚至 RBF 网络的发散。 采用遗传算法可实现 RBF 网络参数初始值的 优化。 41 为获取满意的逼近精度，采用误差绝对值指标作为 参数选择的最小目标函数。 式中， 为逼近的总步骤， 为第 步 RBF 网络的逼近误 差。 在应用遗传算法时，为了避免参数选取范围过大， 可以先按经验选取一组参数，