遗传算法的总体框架
选择算子(轮盘赌选择)
交叉算子(单点交叉)
变异算子
遗传算法的代码实现
遗传算法的编码与解码方法
- 编码:把个体的性状变为遗传信息
- 解码:把遗传信息变为性状
- 编码举例:对于变量x,假设x变量的范围为:[-1,12],则区间的长度为12- (-1) = 13,假设我们要求精度为小数点后四位,则进行进制转换65536=216<13×104<217=131072则我们的二进制编码长度为17位
- 解码方法:若x的区间为[a,b],x的二进制编码为(a_0,a_1,…a_n-1,a_n)则长度为n+1,那么十进制数为(a0a1...an−1an)2=(i=0∑nai×2i)10=sumx=a+sum×(b−a)/(2n+1−1)
初始化种群
%% 初始化种群
Num_pop = 200;
Num_gen = 1000;
Binary_lenth = 32;
P_c=0.8;
P_m=0.02;
pop = round(rand(Num_pop,Binary_lenth)); %表示将矩阵元素全都四舍五入取整
%又因为rand函数生成的是(0,1)之间的随机数
%所以取整之后,pop得到了天然的二进制01编码
x1 = decode_x1(pop(:,1:17)); %x1是一个40行17列的矩阵,用来存放所有个体的第一个染色体
x2 = decode_x2(pop(:,18:end)); %x2是一个40行15列的矩阵,用来存放所有个体的第二个染色体
%% 计算适应度值
fitness = x1.*sin(pi*x1) + x2.*sin(exp(x2));
[max_fit,spot]=max(fitness);
解码
decode_x1
% date:2019年3月5日
% Author: Chauncy_xu
function [a] = decode_x1(binary_code)
%该函数把二进制编码进行解码
% input x1的二进制编码,是一个40行17列的01矩阵
% output 一个40行1列的实数矩阵
[M,N] = size(binary_code);%这里面M应该为40,N为17
sum = zeros(M,1);%产生一个M行1列的零矩阵,用于存放实数值
for i = 1:M %开始遍历01编码矩阵
%行遍历,也就是按照个体遍历
for j = 1:N %列遍历
sum(i) = sum(i)+binary_code(i,j)*2^(N-j);
end
a(i) = -1.0 + sum(i)*(12.0-(-1.0))/(2^N-1);
end
decode_x2
% date:2019年3月5日
% Author: Chauncy_xu
function [b] = decode_x2(binary_code)
%该函数把二进制编码进行解码
% input x1的二进制编码,是一个40行17列的01矩阵
% output 一个40行1列的实数矩阵
[M,N] = size(binary_code);%这里面M应该为40,N为17
sum = zeros(M,1);%产生一个M行1列的零矩阵,用于存放实数值
for i = 1:M %开始遍历01编码矩阵
%行遍历,也就是按照个体遍历
for j = 1:N %列遍历
sum(i) = sum(i)+binary_code(i,j)*2^(N-j);
end
b(i) = 4.0 + sum(i)*(6.0-(4.0))/(2^N-1);
end
选择(轮盘赌选择方法)
% date:2019年3月5日
% Author: Chauncy_xu
function [new_pop] = Select(fitness,pop)
% 该函数是一个轮盘赌选择函数,选择好的个体进入交配池
% Input 适应度值
% Input 矩阵A
% Output 交配池,也可以说是中间的新的种群
[M,N]=size(pop);
for i=1:M %把每个个体的适应度值转化为被选择的概率
prob(i)=fitness(i)/sum(fitness); %sum函数可以直接获得fitness的总和
end
for i=2:M %把每个个体的被选择概率转化为累加概率
prob(i)=prob(i)+prob(i-1);
end
for j=1:M
p=rand();
i=1;
while p>prob(i)
i=i+1;
end
new_pop(j,:)=pop(i,:);
end
交叉(单点交叉)
% date:2019年3月5日
% Author: Chauncy_xu
function [Cross_pop] = Crossover(P_c,pop)
% 该函数实现交配池中的交叉,基本思想是两两配对,根据交叉概率选择是否交叉,
% 这里进行的交叉是单点交叉
% Input P_c 交叉概率
% Input pop 交配池,也可以说是中间种群
% Output Cross_poop 进行交叉运算之后的种群
Cross_pop=pop;
[M,N]=size(pop);
for i=1:2:M-1
p=rand();
q=rand();
if p<P_c
spot = ceil(q*N); %随机选择交叉点
for j=spot:N
temp = pop(i,j);
Cross_pop(i,j) = pop(i+1,j);
Cross_pop(i+1,j) = temp;
end
end
end
end
变异
% date:2019年3月5日
% Author: Chauncy_xu
function [Mut_pop] = Mutation(P_m,pop)
% 该函数进行遗传算法中的变异操作,具体为随机选择变异位值,对该点的二进制编码取反
% Input P_m 变异概率
% Iutput pop 刚刚进行过交叉的中间种群
% Output Mut_pop 变异之后的种群
[M,N] = size(pop);
Mut_pop = pop;
flag = (rand(M,N)<P_m);
for i=1:M
for j=1:N
if flag(i,j)==1
if pop(i,j)==1
Mut_pop(i,j)=0;
else
Mut_pop(i,j)=1;
end
end
end
end
end
迭代过程
% date:2019年3月5日
% Author: Chauncy_xu
for gen=1:Num_gen
%% 进行选择操作
[pop] = Select(fitness,pop);
%% 进行交叉操作
[pop] = Crossover(P_c,pop);
%% 进行变异操作
[pop] = Mutation(P_m,pop);
pop=pop;
%解码
x1 = decode_x1(pop(:,1:17));
x2 = decode_x2(pop(:,18:end));
fitness = x1.*sin(pi*x1) + x2.*sin(exp(x2));
%存储该代的最优个体适应值
[best_fit,index] = max(fitness);
%更新全局最优值
if best_fit >= max_fit
max_fit = best_fit;
spot = pop(index,:);
x_1 = decode_x1(spot(1:17));
x_2 = decode_x2(spot(18:end));
end
num(gen) = max_fit;
end
结果展示
% date:2019年3月5日
% Author: Chauncy_xu
%% 绘图显示结果
disp(sprintf('%.6f',num(gen)));
disp(sprintf('x=%.5f,y=%.5f',x_1,x_2));
figure
plot(num,'k');