matlab_智能算法30个案例分析

《matlab_智能算法30个案例分析》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、MATLAB智能算法30个案例分析第1章1、案例背景遗传算法（GeneticAlgorithm，GA）是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把问题参数编码为染色体，再利用迭代的方式进行选择、交叉以及变异等运算来交换种群中染色体的信息，最终生成符合优化目标的染色体。在遗传算法中，染色体对应的是数据或数组，通常是由一维的串结构数据来表示，串上各个位置对应基因的取值。基因组成的串就是染色体，或者叫基因型个体(Individuals) 。一定数量的个体组成了群体（Population)。群体中个体的数目称为群体大小（Population

2、Size），也叫群体规模。而各个个体对环境的适应程度叫做适应度(Fitness) 。1.简单一元函数优化：clcclearallcloseall%%画出函数图figure(1);holdon;lb=1;ub=2;%函数自变量范围【1,2】ezplot('sin(10*pi*X)/X',[lb,ub]);%画出函数曲线xlabel('自变量/X')ylabel('函数值/Y')%%定义遗传算法参数NIND=40;%个体数目MAXGEN=20;%最大遗传代数PRECI=20;%变量的二进制位数GGAP=0.95;%代沟px=0.7;%交叉概率pm=0.01;%变异概率trace=zer

3、os(2,MAXGEN);%寻优结果的初始值FieldD=[PRECI;lb;ub;1;0;1;1];%区域描述器Chrom=crtbp(NIND,PRECI);%初始种群%%优化gen=0;%代计数器X=bs2rv(Chrom,FieldD);%计算初始种群的十进制转换ObjV=sin(10*pi*X)./X;%计算目标函数值whilegen

4、elCh,pm);%变异X=bs2rv(SelCh,FieldD);%子代个体的十进制转换ObjVSel=sin(10*pi*X)./X;%计算子代的目标函数值[Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel);%重插入子代到父代，得到新种群X=bs2rv(Chrom,FieldD);gen=gen+1;%代计数器增加%获取每代的最优解及其序号，Y为最优解,I为个体的序号[Y,I]=min(ObjV);trace(1,gen)=X(I);%记下每代的最优值trace(2,gen)=Y;%记下每代的最优值endplot(trace(1,:

5、),trace(2,:),'bo');%画出每代的最优点gridon;plot(X,ObjV,'b*');%画出最后一代的种群holdoff%%画进化图figure(2);plot(1:MAXGEN,trace(2,:));gridonxlabel('遗传代数')ylabel('解的变化')title('进化过程')bestY=trace(2,end);bestX=trace(1,end);fprintf(['最优解:X=',num2str(bestX),'Y=',num2str(bestY),''])2.多元函数优化clcclearallcloseall%%画出函数图

6、figure(1);lbx=-2;ubx=2;%函数自变量x范围【-2,2】lby=-2;uby=2;%函数自变量y范围【-2,2】ezmesh('y*sin(2*pi*x)+x*cos(2*pi*y)',[lbx,ubx,lby,uby],50);%画出函数曲线holdon;%%定义遗传算法参数NIND=40;%个体数目MAXGEN=50;%最大遗传代数PRECI=20;%变量的二进制位数GGAP=0.95;%代沟px=0.7;%交叉概率pm=0.01;%变异概率trace=zeros(3,MAXGEN);%寻优结果的初始值FieldD=[PRECIPRECI;lbxlby;ub

7、xuby;11;00;11;11];%区域描述器Chrom=crtbp(NIND,PRECI*2);%初始种群%%优化gen=0;%代计数器XY=bs2rv(Chrom,FieldD);%计算初始种群的十进制转换X=XY(:,1);Y=XY(:,2);ObjV=Y.*sin(2*pi*X)+X.*cos(2*pi*Y);%计算目标函数值whilegen