基于matlab的GA遗传优化计算抛物线的最大值
1.算法描述遗传算法GA把问题的解暗示成“染色体”，在算法中也便是以二进制编码的串。而且，在执行遗传算法之前，给出一群“染色体”，也便是假设解。然后，把这些假设解置于问题的“环境”中，并按适者保留的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程发生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。
其主要法式如下：
1．初始化
选择一个群体，即选择一个串或个体的调集bi，i=1，2，...n。这个初始的群体也就是问题假设解的调集。一般取n＝30-160。
凡是以随机方式发生串或个体的调集bi,i＝1，2，...n。问题的最优解将通过这些初始假设解进化而求出。
2．选择
按照适者保留原则选择下一代的个体。在选择时，以适应度为选择原则。适应度准则浮现了适者保留，不适应者裁减的自然法例。
给出方针函数f，则f(bi)称为个体bi的适应度。以
为选中bi为下一代个体的次数。
显然．从式(3—86)可知：
(1)适应度较高的个体，繁殖下一代的数目较多。
(2)适应度较小的个体，繁殖下一代的数目较少；甚至被裁减。
这样，就发生了对环境适应能力较强的儿女。对于问题求解角度来讲，就是选择出和最优解较接近的中间解。
3．交叉
对于选顶用于繁殖下一代的个体，随机地选择两个个体的不异位置，按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换；目的在于发生新的基因组合，也即发生新的个体。交叉时，可实行单点交叉或多点交叉。
2.仿真效果预览
matlab2022a仿真成果如下：
3.MATLAB核心法式
popsize=50; %群体大小
chromlength=10; %字符串长度(个体长度)
pc=0.6; %交叉概率，只有在随机数小于pc时，才会发生交叉
pm=0.001; %变异概率
pop=initpop(popsize,chromlength); %随机发生初始群体
for i=1:100 %20为遗传代数
=calobjvalue(pop); %计算方针函数
fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
=selection(pop,fitvalue);
%复制
=crossover(newpop,pc);
%交叉
=mutation(newpop1,pc);
%变异
=calobjvalue(newpop2);
%计算方针函数
fitvalue=calfitvalue(objvalue);
%计算群体中每个个体的适应度
=best(newpop2,fitvalue); %求出群体中适应值最大的个体及其适应值
y(i)=bestfit; %返回的 y 是自适应度值，而非函数值
x(i)=decodechrom(bestindividual,1,chromlength)*50/1023; %将自变量解码成十进制
pop=newpop2;
end
fplot('-x.*x+50.*x+12',)
hold on
plot(x,y,'r*')
hold on
=max(y); %计算最大值及其位置
xfm=x(index) %计算最大值对应的x值
ymax=z
页:
[1]