遗传算法搜索最优解.docxVIP

实验一：基于遗传算法的函数优化 1、实验目的1）掌握Matlab子函数的编写与调用。 2）理解基本遗传算法的原理，并利用程序实现利用遗传算法优化非线性函数的解。 2、实验内容与实验要求1）掌握基本遗传算法方法原理。 2）掌握matlab子函数的编写方法及调用方法。 3）根据基本遗传算法方法原理，编写Matlab程序，优化非线性函数的解。 4）设f（x）=-x2-4x+1,求maxf（x）,x[-2,2],解的精度保留二位小数3、遗传算法原理 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 4、主程序及子函数： 主函数： clearclcmy_scale=80;%种群规模gen_len=22;%基因长度M=100;%迭代次数pc=0.7;%交叉概率pm=0.05;%变异概率new_scale二produscale(my_scale,gen_len);%产生初始种群fitfit=[];fittimer=[];best_f1=[];best_x1=[];fori=1:M my_f=cal_my_f(new_scale);%计算函数值 my_fit=cal_my_fit(my_f);%计算适应度值 next_scale=my_sellect(new_scale,my_fit);%采用赌轮盘法选择 cross_scale=my_cross(next_scale,pc);%按概率交叉 mut_scale=my_mutat(cross_scale,pm);%按概率变异 %寻找每一代中的最优适应度值所对应的个体 best_fit=my_fit(1);[sx,sy]=size(new_scale);forj=2:length(my_fit)ifbest_fitmy_fit(j)best_fit=my_fit(j);best_f=my_f(j);best_x=my2to10(new_scale(j,:));best_x=-2+best_x.*4./(2八sy-1);endend new_scale=mut_scale; fitfit=[fitfit,best_fit]; best_f1=[best_f1,best_f]; best_x1=[best_x1,best_x]; fittimer=[fittimer,i];end [best_fit,loca]=max(fitfit); best_f=best_f1(loca); best_x=best_x1(loca); disp([best_fit,best_f,best_x]=’)disp([best_fit,best_f,best_x])subplot(2,2,1)plot(fittimer,fitfit)xlabel(迭代次数(l)-wxb);ylabel(适应度函数’)gridon%子函数：产生初始种群functioninitscale二produscale(my_scale,gen_len)initscale二round(rand(my_scale,gen_len));end%子函数：计算函数值functionmy_f=cal_my_f(new_scale)mychange二my2to10(new_scale);[sx,sy]=size(new_scale);change_x=-2+mychange.*4./(2八sy-1);my_f=-change_x.八2-4.*change_x+1;end%子函数：计算适应度值functionmy_fit=cal_my_fit(my_f)f_min=5;fori=1:length(my_f)ifmy_f(i)+f_min=0my_fit(i)=0;elsemy_fit(i)=my_f(i)+f_min;endendmy_fit=my_fit;end%子函数：采用赌轮盘法选择functionnext_scale=my_sellect(new_scale,my_fit)sum_of_f=sum(my_fit);accum=my_fit/sum_of_f;accum=cumsum(accum);[sx,sy]=size(new_scale);j=1;whilej=sxa二rand;fori=1:sx-1ifaccum(1)=anext_scale(j,:)二new_scale(1,:);elseifaccum(i)aaccum(i+1)=anext_scale(j,:)二new_scale(i+1,:);j=j+1;endendendendend%子函数：按概