【优化求解】基于matlab遗传算法求解资源配置优化问题【含Matlab源码 436期】

原创

Matlab科研 2021-11-08 11:32:20 ©著作权

文章标签 遗传算法浮点交叉概率参考文献迭代 文章分类 数据结构与算法人工智能

©著作权归作者所有：来自51CTO博客作者Matlab科研的原创作品，请联系作者获取转载授权，否则将追究法律责任

一、简介

遗传算法的应用步骤

遗传算法GA是基于进化和遗传理论而提出来的全局寻优方法。

简单遗传算法解决问题的基本步骤如下：

（1）初始化：随机生成N个个体作为初始群体P(0)，该种群就是目标函数可行解的一个集合。设置进化代数计数器归零，设置最大进化代数iter_max；

（2）个体评价：将初始种群代入目标函数中，根据适应度函数计算当前群体中各个种群的适应度；

（3）终止条件判断：给出终止条件，判断算法是否满足终止条件，若满足则转到（8）；

（4）选择运算：对初始群体执行选择操作，优良的个体被大量复制，劣质的个体复制的少甚至被淘汰；

（5）交叉运算：以交叉概率来进行交叉运算；

（6）变异运算：以变异概率来进行交叉运算；

（7）群体P(t)经过选择运算、交叉运算、变异运算之后，得到由N个新个体构成的下一代群体P(t+1)，则转（2），否则转（4）；

（8）不断的进化，最终会得到目标函数中，适应度最高的个体，将其作为问题的最优解或满意解输出，终止计算。

【优化求解】基于matlab遗传算法求解资源配置优化问题【含Matlab源码 436期】_迭代

【优化求解】基于matlab遗传算法求解资源配置优化问题【含Matlab源码 436期】_浮点_02

二、源代码

clc
clear
%-------------------------------基于遗传算法的资源配置主函数-----------------------------


%参数定义
maxgen=200;                         %进化代数，即迭代次数
sizepop=10;                        %种群规模
%AimFunc=StrAimFunc;                 %目标函数(本算法以目标函数值为适应度)
%fselect='roulette';                 %染色体的选择方法，您可以选择：锦标赛法－ 'tournament';轮盘赌法－'roulette'
%fcode='float';                       %编码方法，您可以选择：浮点法－'float';grey法则－－'grey';二进制法－'binary' 
pcross=[0.7];                       %交叉概率选择，0和1之间
%fcross='float';                   %交叉方法选择，您可以选择： 浮点交叉－'float';单点交叉－'simple';均匀交叉－'uniform'
pmutation=[0.1];                    %变异概率选择，0和1之间
%fmutation='float';                 %变异方法选择，您可以选择：浮点法－'float';单点法－'simple';

lenchrom=[15];          %每个变量的字串长度，如果是浮点变量，则长度都为1

for i=1:sizepop
    %随机产生一个种群
    individuals.chrom(i,:)=Code(lenchrom);   %编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量）
    %x=Decode(lenchrom,bound,individuals.chrom(i,:),fcode);%解码（binary和grey的解码结果为一个二进制串，float的解码结果为一个实数向量）
    %计算适应度
    %修改处
    %individuals.fitness(i)=AimFunc(x,heli,id_data,0);
    [individuals.fitness(i),T(i),Q(i),C(i),R(i)]=fitness(individuals.chrom(i,:));   %染色体的适应度
end

%找最好的染色体
[bestfitness bestindex]=max(individuals.fitness);
bestchrom=individuals.chrom(bestindex,:);  %最好的染色体
Tbest=T(bestindex);
Qbest=Q(bestindex);
Cbest=C(bestindex);
Rbest=R(bestindex);
avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度
trace=[avgfitness bestfitness,Tbest,Qbest,Cbest,Rbest];
kbest=1;

% % 进化开始
for i=1:maxgen
    i
    % 选择
    individuals=Select(individuals,sizepop); 
    avgfitness=sum(individuals.fitness)/sizepop;
    %交叉
    individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop);
    % 变异
    individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop);
     
    % 计算适应度 
    for jj=1:sizepop
        [individuals.fitness(jj),T(jj),Q(jj),C(jj),R(jj)]=fitness(individuals.chrom(jj,:));   
    end
     
    %找到最小和最大适应度的染色体及它们在种群中的位置
    [newbestfitness,newbestindex]=max(individuals.fitness);
    [worestfitness,worestindex]=min(individuals.fitness);
    % 代替上一次进化中最好的染色体
    if bestfitness<newbestfitness
        bestfitness=newbestfitness;
        bestchrom=individuals.chrom(newbestindex,:);
        Tbest=T(newbestindex);
        Qbest=Q(newbestindex);
        Cbest=C(newbestindex);
        Rbest=R(newbestindex);
        kbest=i;
    end
    individuals.chrom(worestindex,:)=bestchrom;
    individuals.fitness(worestindex)=bestfitness;
    
    avgfitness=sum(individuals.fitness)/sizepop;
    
   trace=[trace;avgfitness bestfitness,Tbest,Qbest,Cbest,Rbest]; %记录每一代进化中最好的适应度和平均适应度
end

%画出适应度曲线
figure(1);
[r c]=size(trace);
plot([1:r]',trace(:,2));
title(['适应度曲线  ' '终止代数＝' num2str(maxgen)]);
xlabel('进化代数');ylabel('适应度');
axis([1,maxgen,240,320])
该函数用于对个体进行变异
%pmutation:变异概率 lenchrom:个体长度  chrom:种群  sizepop:种群规模
%ret:变异后的种群
function ret=Mutation(pmutation,lenchrom,chrom,sizepop)

for i=1:sizepop

    %判断是否变异
    pick=rand;
    if pick>pmutation
        continue;
    end

    pick=rand;
        
    if pick==0
        pick=rand;
    end
    index=ceil(pick*sizepop);    %变异位置
    pos=ceil(pick*lenchrom);  %选择变异位置
    
    if chrom(index,pos)==0
        chrom(index,pos)=1;
    else
        chrom(index,pos)=0;
    end