数学问题的非传统解法选讲.pptxVIP

1;遗传算法 遗传算法及其在最优化问题中的应用;遗传算法的基本思想;简单遗传算法的一般步骤;遗传算法和传统优化算法比较;9.1.2 遗传算法在求解最优化问题中的应用举例;例： 绘制目标函数曲线： ezplot(x*sin(10*pi*x)+2,[-1,2]);测试不同的初值： f=inline(-x.*sin(10*pi*x)-2,x); v=[]; for x0=[-1:0.8:1.5,1.5:0.1:2] x1=fmincon(f,x0,[],[],[],[],-1,2); v=[v; x0,x1,f(x1)]; end v v = ;编写函数： function [sol,y]=c10mga1(sol,options) x=sol(1); y=x.*sin(10*pi*x)+2; ％调用gaopt( )函数 [a,b,c,d]=gaopt([-1,2],c10mga1); a,c a = c = 1.0e+002 * ;比较： ff=optimset; ff.Display=iter; x0=1.8; x1=fmincon(f,x0,[],[],[],[],-1,2,,ff); f(x1) ans = f(a(1)) % 遗传算法结果 ans = ezplot(‘x*sin(10*pi*x)+2’,[-1,20]) ％改变求解区间 [a,b,c,d]=gaopt([-1,20],c10mga1); a,c a = ; c = 1.0e+002 * ; ezplot(‘x*sin(10*pi*x)+2’,[12,20]) ％放大区间 [a,b,c,d]=gaopt([12,20],c10mga1); a,c a = c = 1.0e+002 * ;例：求最小值 编写函数： function [sol,f]=c10mga3(sol,options) x=sol(1:4); f=-(x(1)+x(2))^2-5*(x(3)-x(4))^2-(x(2)-2*x(3))^4-10*(x(1)-x(4))^4; [a,b,c,d]=gaopt([-1,1; -1 1; -1 1; -1 1],c10mga3); a,c a = c = 100.0000 -0.0666 0.0681 -0.0148 -0.0154 -0.0002 ％求解区域太小，有误差; ;GAOT 的最优化函数;例：求最小值 tic, xmM=[-ones(4,1),ones(4,1)]*1000; [a,b,c,d]=gaopt(xmM,c10mga3,[],[],[],maxGenTerm,2000); a(1:4), dd=[c(1:100:end,:); c(end,:)], toc ans = dd = 1.0e+009 * elapsed_time = ; ;描述函数：％ function f=c10mga3a(x) f=(x(1)+x(2))^2+5*(x(3)-x(4))^2+(x(2)-2*x(3))^4+10*(x(1)-x(4))^4; x=ga(@c10mga3a,4) %四个自变量 ff=gaoptimset; ff.Generations=2000; ff.PopulationSize=80; ff.CrossoverFcn=@crossoverheuristic; x=ga(@c10mga3a,4,ff) f=inline... % 目标函数描述 ((x(1)+x(2))^2+5*(x(3)-x(4))^2+(x(2)-2*x(3))^4+10*(x(1)-x(4))^4,x) ff=optimset; ff.MaxIter=10000; ff.TolX=1e-7; tic, x=fminsearch(f,10*ones(4,1),ff); toc; x‘ ％时间少，精度高 elapsed_time = ans = 1.0e-006 * ;例：求下面的最优化问题 [x,y]=meshgrid(-1:0.1:3,-3:0.1:3); z=sin(3*x.*y+2)+x.*y+x+y; surf(x,y,z); shading interp % 用光滑曲面表示 目标函数;函数描述：％传统方法 function y=c10mga5(x) y=sin(3*x(1)*x(2)+2)+x(1)*x(2)+x(1)+x(2); x0=[1,3]; x=fmincon(c10mga5,x0,[],[],[],[],[-1;-3],[3;3]) x = 函数描述： funct