遗传算法提供了一种求解非线性、多模型、多目标等复杂系统优化问题的通用框架。
先从例子开始，慢慢再总结理论。。。
【例】利用遗传算法计算函数f(x)=x*cos(5*pi*x)+3.5在区间[-1,2.5]上的最大值
先在工作区建立上面函数的一个m文件并保存,命名为fun_sigv.m:
function y=fun_sigv(x)
y=x.*cos(5*pi*x)+3.5;
代沟是父代中需要经过选择、交叉、变异得到下一代的比例，例如父代共100个个体，代沟为0.9，表明有90个个体被选中进行上述一系列操作进化到下一代，剩下10%不变、直接进入下一代，也即下一代还是100个个体。
tarce是代数*2的二维矩阵，存储各子代种群最优解和各子代种群平均值
fieldd是区域描述器，有的书中[1]叫译码矩阵。其结构为
FieldD=[len,lb,ub,code,scale,lbin,ubin]\';(\'代表转置，也就是FieldD是列向量）
len是每个chrom的长度，lb和ub是行向量，分别指明每个变量使用的下界和上界。
code是二进制行向量，code(i)=1为标准二进制编码，code(i)=0为格雷码。
scale是二进制行向量，指明每个子串是否使用对数或算数刻度。0为算数刻度，1为对数刻度。
lbin和ubin是二进制行向量，指明表示范围中是否包含每个边界。选择lbin=0或ubin=0，从表示范围中去掉边界；lbin=0或ubin=1则表示包含边界。
fieldd在二进制串到实值转换函数bs2rv中用到：Phen=bs2rv(Chrom,FieldD)，即根据译码矩阵FieldD将二进制串矩阵Chrom转换为实值向量。返回矩阵Phen包含对应的种群表现型。对于bs2rv函数，如果使用对数刻度，其范围不能包含零。
下面是MATLAB代码：
opt_minmax=1; %目标优化类型：1最大化、0最小化
num_ppu=50; %种群规模即个体个数
num_gen=60; %最大遗传代数
len_ch=20; %基因长度
gap=0.9; %代沟(Generation gap)
sub=-1; %变量取值下限
up=2.5; %变量取值上限
cd_gray=1; %是否选择格雷码编码方式：1是、0否
sc_log=0; %是否选择对数标度：1是、0否
trace=zeros(num_gen,2); %遗传迭代性能跟踪器
fieldd=[len_ch;sub;up;1-cd_gray;sc_log;1;1]; %区域描述器
chrom=crtbp(num_ppu,len_ch); %初始化生成种群
k_gen=0;
x=bs2rv(chrom,fieldd); %翻译初始化种群为10进制
fun_v=fun_sigv(x); %计算目标函数值
tx=sub:.01:up;
plot(tx,fun_sigv(tx));
xlabel(\'x\');ylabel(\'y\');
title(\'一元函数优化结果\');
hold on;
while k_gen<num_gen
fit_v=ranking(-opt_minmax*fun_v); %计算目标函数的适应度
selchrom=select(\'rws\',chrom,fit_v,gap); %使用轮盘赌方式选择
selchrom=recombin(\'xovsp\',selchrom); %交叉
selchrom=mut(selchrom); %变异
x=bs2rv(selchrom,fieldd); %子代个体翻译
fun_v_sel=fun_sigv(x); %计算子代个体对应目标函数值
[chrom,fun_v]=reins(chrom,selchrom,1,1,opt_minmax*fun_v,opt_minmax*fun_v_sel);%根据目标函数值将子代个体插入新种群
[f,id]=max(fun_v); %寻找当前种群最优解
x=bs2rv(chrom,fieldd);
f=f*opt_minmax;
fun_v=fun_v*opt_minmax;
k_gen=k_gen+1;
trace(k_gen,1)=f;
trace(k_gen,2)=mean(fun_v);
end
plot(x(id),f,\'r*\');
figure;
plot(trace(:,1),\'r-*\');
hold on;
plot(trace(:,2),\'b-o\');
legend(\'各子代种群最优解\',\'各子代种群平均值\');
xlabel(\'迭代次数\');ylabel(\'目标函数优化过程\');
title(\'一元函数优化过程\');
求函数f(x)=x*sin(10*pi*x)+2.0,x属于[-1,2]的最大值：
opt_minmax=1; %目标优化类型：1最大化、0最小化
num_ppu=50; %种群规模即个体个数
num_gen=25; %最大遗传代数
len_ch=20; %基因长度
gap=0.9; %代沟(Generation gap)
sub=-1; %变量取值下限
up=2; %变量取值上限
cd_gray=1; %是否选择格雷码编码方式：1是、0否
sc_log=0; %是否选择对数标度：1是、0否
trace=zeros(num_gen,2); %遗传迭代性能跟踪器
fieldd=[len_ch;sub;up;cd_gray;sc_log;1;1]; %区域描述器
chrom=crtbp(num_ppu,len_ch); %初始化生成种群
k_gen=0;
x=bs2rv(chrom,fieldd); %翻译初始化种群为10进制
fun_v=fun_sigv(x); %计算目标函数值
tx=sub:.01:up;
plot(tx,fun_sigv(tx));
xlabel(\'x\');ylabel(\'y\');
title(\'一元函数优化结果\');
hold on;
while k_gen<num_gen
fit_v=ranking(-opt_minmax*fun_v); %计算目标函数的适应度，基于秩/排序的适应度计算。
selchrom=select(\'rws\',chrom,fit_v,gap); %使用轮盘赌方式选择
selchrom=recombin(\'xovsp\',selchrom); %交叉
selchrom=mut(selchrom); %变异
x=bs2rv(selchrom,fieldd); %子代个体翻译
fun_v_sel=fun_sigv(x); %计算子代个体对应目标函数值
[chrom,fun_v]=reins(chrom,selchrom,1,1,opt_minmax*fun_v,opt_minmax*fun_v_sel);%根据目标函数值将子代个体插入新种群
[f,id]=max(fun_v); %寻找当前种群最优解
% hold on;
% if id<size(x,1)
% plot(x(id),f,\'r*\');
% end
x=bs2rv(chrom,fieldd);
f=f*opt_minmax;
fun_v=fun_v*opt_minmax;
k_gen=k_gen+1;
trace(k_gen,1)=f;
trace(k_gen,2)=mean(fun_v);
end
plot(x\',fun_v\',\'b*\');
plot(x(id),f,\'rd\');
% hold on;
% figure;
% plot(trace(:,1),\'r-*\');
% hold on;
% plot(trace(:,2),\'b-o\');
% legend(\'各子代种群最优解\',\'各子代种群平均值\');
% xlabel(\'迭代次数\');ylabel(\'目标函数优化过程\');
% title(\'一元函数优化过程\');
[1]:雷英杰，张善文，李续武，等. MATLAB遗传算法工具箱及应用. 西安：西安电子科技大学出版社，2005.
请发表评论