原创力文档- 1
- 0
- 约6.76千字
- 约 13页
- 2026-01-23 发布于江苏
- 举报
遗传算法用于函数优化求解
一、实验目的
本实验要求在掌握遗传算法的基本思想、原理和算法流程的基础上，能够针对指定的单变量优化目标函数，设计相应的遗传算法优化程序，并求得全局最优解。
二、实验要求
针对目标函数，设计利用遗传算法进行优化求解的程序，绘制迭代过程中最优解的变化情况，并分别改变算法中的编码位数、种群规模、交叉和变异概率，分析这些变量对算法精度及收敛性的影响。
三、实验步骤
1、初始化种群，确定种群规模M=20，编码位数n=5和编码机制(二进制编码)；
初始化种群：E=round(rand(M,n))；
每个编码对应的二进制数值：为第i位二进制代码；
二进制数y转换为十进制数x：；
2、根据给定的目标函数，计算各个种群的适应度值；
3、采用轮盘选择法对种群进行选择复制；
4、设定交叉概率为0.9，进行遗传操作（交叉）；
5、设定变异概率0.05，进行遗传操作（变异）；
6、产生下一代种群，与终止条件比较，不满足返回到步骤2直到满足条件退出。
算法的流程如图7.1所示。
N
N
Y
结束
输出结果
迭代次数达上限？
开始
初始化种群（编码）
计算适应度函数
交叉、变异
选择、复制
达到系统指标？
图7.1算法流程图
四、实验结果及分析
我们采用遗传算法来寻求目标函数的最大值。初始化样本个数为20个，编码位数为5位，采用二进制编码，交叉概率为0.9，变异概率为0.05，最大迭代次数为1000次，初始样本随机选择，当父代与子代间适应度变化小于0.001时，达到系统指标。MATLAB模拟运行输出迭代种群的平均适应度变化、种群的最优解与最差解，绘出图像（见图1），计算运行时间的平均值（见表1），由表可知，平均运行时间约为0.65秒左右，速度较快。由图可知，前期平均适应度是不断上升的，到达一定程度后即平均适应度在0.9以上后，就基本处于波动平衡状态。
表2
次数（M=10）
第一次
第二次
第三次
第四次
第五次
平均
时间（s）
0.570
0.654
0.611
0.590
0.589
0.6028
最大值
0.9648
0.9648
0.9375
0.9961
0.9023
0.9531
最小值
0.9648
0.8086
0.9375
0.9844
0.9023
0.91952
图SEQ图\*ARABIC3
表3
次数（M=200）
第一次
第二次
第三次
第四次
第五次
平均
时间（s）
0.736
0.680
0.798
0.798
0.715
0.7454
最大值
1
1
1
1
1
1
最小值
0.1211
0.2344
0.5273
0
0
0.17656
初始种群的规模为20，降低交叉的概率为0.4，其他参数不变，多次运行程序，观察结果（见图4，表4）。对比交叉概率为0.9的情况（见图1，表1），发现种群平均适应度的变化曲线没有太大差别，都是波动上升的，所用时间差别也不大，都为0.64s左右，最终获得的最大值也差别不大，唯一差别较大的是最终获得的最小值，交叉概率低的最小值大于交叉概率高的最小值。这是因为子代是由父代中适应度高的个体进行交叉变异而来，变异概率极低（0.05），可忽略，当交叉概率低时，子代个体基本是由父代中适应度高的个体（即目标函数值大的个体）复制粘贴而来，所以最终获得的最小值比较大，而交叉概率高时，子代个体多是由父代优秀个体交叉变换而来，可能会使某些子代适应度稍微降低，某些又稍微升高，所以相比交叉概率低的时候，最终获得的最小值比较小。
图SEQ图\*ARABIC4
表4
次数
第一次
第二次
第三次
第四次
第五次
平均
时间（s）
0.648
0.620
0.670
0.621
0.644
0.6406
最大值
0.9961
0.9844
0.9961
0.9844
1
0.9922
最小值
0.9375
0.8594
0.9375
0.8594
0.8594
0.89064
初始种群的规模为20，交叉的概率为0.9，变异概率增加至0.5，其他参数不变，多次运行程序，观察结果（见图5，表5）。由图5发现，平均适应度一直处于在0.7和0.9之间上下剧烈波动的情况，没有不断上升的趋势，说明变异几率太大，导致种群无法收敛于一个稳定的最佳状态，由表5可知，改变变异概率对运行时间，最终能达到的最大值影响不大，但影响了最小值，因为变异的概率高，所以种群不断地有适应度极低的变异个体出现，所以最终的最小值较小，但也导致了种群无法收敛的情况。由此可知，变异概率不能太大，不然种群无法收敛到最优解附近。
图SEQ图\*ARABIC5
表5
次数
第一次
第二次
第三次
第四次
第五次
平均
时间（s）
0.669
0.615
0.632
0.623
0.648
文档评论（0）