智能优化方法及MATLABGA工具箱简介.pptVIP

智能优化方法及MATLAB GA 工具箱简介;目录;优化问题简介;经典优化方法;;;; 模拟物理中固体退火原理（加温，等温，冷却），从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解 ; 是通过模拟。鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。系统初始化为一组随机解，通过迭代搜寻最优值。与GA类似。 ;遗传算法(Genetic Algorithm,GA)： ;遗传学中常用的词汇： 细胞(Cell)：构成生物的基本的结构和单位。 染色体(Chromosome):细胞中含有的一种微小丝状化合物。 基因(Gene):遗传的基本单位。 复制(reproduction):细胞在分裂时，遗传物质DNA通过复制而转移到新产生的细胞中，并集成旧细胞的基因。; 交叉(Crossover):两个同源染色体之间通过交叉而重组。 变异(Mutation)：在细胞复制时，可能产生复制差错，从而使DNA发生变异，产生出新的染色体。 进化(Evolution):生物在其延续生存的过程中，逐渐适应于其生存环境，使得其品质不断得到改良，这种生命现象称之为进化 群体(Population):生物进化是以集团的形式进行的，这样的集团称为群体; 适应度(Fitness):每个个体对其生存环境都有不同的适应能力，这种适应能力称为适应度;现代优化方法;编码（解码）：一般采用二进制0/1字符编码。 x(十进制数) y(二进制数);产生初始群体M M越大，搜索范围越宽，但每代的遗传操作时间越长； M越小，搜索范围越小，但每代的遗传操作时间越短。 通常：M=20~100;个体适应度评价 在GA中，以个体适应度的大小来确定该个体被遗传到下一代的概率。个体适应度越高，被选中的概率越大（要求个体适应度 ）。 对于求目标函数最大值的优化问题 对于求目标函数最大值的优化问题 ;个体被选中的概率 其中 ;遗传算子： ;选择(Selection)： 根据个体的相对适应度 反复地从群体中选择M个个体组成下一代群体。 选择算法： 轮盘赌选择 随机遍历抽样 ;交叉(Crossover) 在GA中交叉是产生新个体的主要手段，类似???生物学的杂交，使不同个体的基因互相交换，从而产生新个体。 交叉原理： a）对群体中的个体进行两两配对，当群体总数为M，则共有M/2对相互配对的个体组;b) 设置交叉点，随机设置某一基因座后的位置为交叉点，若染色体长度为L，则共有L-1个可能的交叉点位置。 C) 设置交叉概率Pc。 被交叉的个体数目：Mc=Pc*M ;交叉示例：;交叉方法 单点交叉 多点交叉 均匀交叉 洗牌交叉 ;变异(Mutation) 以变异概率Pm改变染色体的某一个基因,当以二进制编码时，变异的基因由0变成1，或者由1变成0。 变异过程： a）依据变异概率Pm指定变异点。 b）对指定的变异点进行取反运算。;变异示例;停止准则 a）种群中个体的最大适应值超过预设定值 b）种群中个体的平均适应值超过预设定值 c）种群中个体的进化代数超过预设定值 ;现代优化方法; 2）形成初始群体，计算适应度 ;现代优化方法;4）变异 设置变异点，将个体字符串某位符号进行逆变。 5）终止 反复执行直到得到满意的结果 ;现代优化方法; 遗传算法函数： [x,fval]=ga(fitnessfun,nvars,A,b,Aeq,beq,lb,ub,nonlcon,options) 输出函数： x-----最优解 fval -----最优适应度 输入函数 fitnessfun-----适应度函数 nvars-----变量个数 ?;输入参数 A,b----不等式约束 Aeq,beq----等式约束 Lb,ub----变量的上下限 nonlcon----非线性函数约束 options----传递给ga的参数，不写matlab自动取默认值,参考gaoptimset; 遗传算法工具箱gatool 在matlab控制窗口输入 gatool 打开ga工具箱，控制界面如下图;现代优化方法;实例讲解： 将目标函数创建为Simple_objective的m文件： function y = simple