遗传算法工具箱使用实例课件.ppt

《遗传算法工具箱使用实例课件.ppt》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、遗传算法工具箱使用实例遗传算法运算流程：Step1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。Step2：建立区域描述器。求解变量的约束条件，设置变量的取值范围。Step3：在Step2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。Step4：执行比例选择算子进行选择操作。Step5：按交叉概率对交叉算子执行交叉操作。Step6：按变异概率执行离散变异操作。Step7：计算Step6得到局部最优解中每个个体的适应值，并执行

2、最优个体保存策略。Step8：判断是否满足遗传运算的终止进化代数，不满足则返回Step4，满足则输出运算结果。遗传算法工具箱的使用在MATLAB命令行窗口输入gatool，打开遗传算法工具箱：Solver(求解器)：用于选择需要的算法。Problem：需要解决的问题。(1)Fitness function：需要优化的目标函数，填写的格式为：@funname，其中funname.m是编写目标函数的M文件，返回一个具体数值。(2)Number of variables：目标函数输入变量的数目。Constra

3、ints（约束）：(1)Linear inequalities线性不等式约束：表示为：A*x<=b，填写矩阵A和向量b的信息。(2)Linear equalities线性等式约束：表示为：Aeq*x=beq，填写矩阵Aeq和向量beq的信息。(3)Bounds：填写独立变量的取值范围。在Lower中填写变量的取值下界，Upper中填写变量的取值上界，均以向量形式表示。(4)Nonlinear constraint function非线性约束函数：编写非线性约束函数的M文件nonlcon.m，则在此处填写

4、@nonlcon。Run solver and view results运行求解器并观察结果：点击Start即可开始运行遗传算法。Current iteration中将显示当前运行的代数。Final point栏中显示最优解对应的变量的取值。Option部分是遗传算法参数的设定：Population种群参数设定：Population type编码方式：有浮点编码和二进制编码，默认为Doublevector。Population size种群大小：默认为20，定义每一代种群的个体数量。种群规模越大，遗传算

5、法的运行速度越慢。Creation function创建函数：创建初始种群。Initial population初始种群，如果不指定初始种群，则系统将运用创建建函数创建初始种群。Initial scores初始得分，如果此处没有定义初始得分，则系统应用适应度函数来计算初始得分。Initial range初始范围，用于指定初始种群中的各变量的上下限。初始范围用一个矩阵表示，该矩阵行数为2，列数为变量的个数。其中第一行描述初始种群中变量的取值下限，第二行描述初始种群中变量的取值上限。Fitness scal

6、ing：变换适应度函数值的函数句柄。Elite count：直接保留上一代的个体的个数。Crossover fraction：交叉的概率。Migration中，指定迁移的方向，概率，和频率。Stopping criteria中，指定结束条件。Generations和time limit指定代数和时间的最大极限。Fitness limit指定fitness值相差小于某一阈值时就可以收敛了。Stall generation和stall time limit指经历多少代或多久，最优值都没有出现变化时即收敛。P

7、lot functions与图形输出有关，plot interval指定多少代输出一次，默认为1.best fitness和best invividual表示将最优值和相应个体输出到图像上。Display通过command window输出到命令窗口。有off，final，interative，diagnose 4个选择。初始种群的生成函数：Function[pop]=initializega(num,bounds,eevalFN,eevalOps,options)输出参数：pop：生成的初始种群输入参

8、数：num：种群中的个体数目bounds：代表变量的上下界的矩阵eevalFN：适应度函数eevalOps：传递给适度函数的参数options：选择编码形式（浮点编码或二进制编码）precisionF_or_BPrecision：变量进行二进制编码时指定的精度，F_：选择浮点编码，_B：为二进制编码核心函数：遗传算法函数：Function[x,endPop,bPop,traceInfo]=ga(bounds,evalFN,evalOps,s