实例matlab遗传算法工具箱函数及实例讲解.pdf

实例matlab遗传算法工具箱函数及实例讲解.pdf

《实例matlab遗传算法工具箱函数及实例讲解.pdf》由会员分享，可在线阅读，更多相关《实例matlab遗传算法工具箱函数及实例讲解.pdf（6页珍藏版）》请在冰点文库上搜索。

matlab遗传算法工具箱函数及实例讲解matlab遗传算法工具箱函数及实例讲解核心函数：

（1）functionpop=initializega（num,bounds,eevalFN,eevalOps,options）-初始种群的生成函数【输出参数】pop-生成的初始种群【输入参数】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-传递给适应度函数的参数options-选择编码形式（浮点编码或是二进制编码）precisionF_or_B,如precision-变量进行二进制编码时指定的精度F_or_B-为1时选择浮点编码，否则为二进制编码,由precision指定精度）

（2）functionx,endPop,bPop,traceInfo=ga（bounds,evalFN,evalOps,startPop,opts,.termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps）-遗传算法函数【输出参数】x-求得的最优解endPop-最终得到的种群bPop-最优种群的一个搜索轨迹【输入参数】bounds-代表变量上下界的矩阵evalFN-适应度函数evalOps-传递给适应度函数的参数startPop-初始种群optsepsilonprob_opsdisplay-opts（1:

2）等同于initializega的options参数，第三个参数控制是否输出，一般为0。

如1e-610termFN-终止函数的名称,如maxGenTermtermOps-传递个终止函数的参数,如100selectFN-选择函数的名称,如normGeomSelectselectOps-传递个选择函数的参数,如0.08xOverFNs-交叉函数名称表，以空格分开，如arithXoverheuristicXoversimpleXoverxOverOps-传递给交叉函数的参数表，如20;23;20mutFNs-变异函数表，如boundaryMutationmultiNonUnifMutationnonUnifMutationunifMutationmutOps-传递给交叉函数的参数表,如400;61003;41003;400matlab遗传算法工具箱附件附件【注意】matlab工具箱函数必须放在工作目录下【问题】求f（x）=x+10*sin（5x）+7*cos（4x）的最大值，其中0<=x<=9【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08【程序清单】%编写目标函数functionsol,eval=fitness（sol,options）x=sol

（1）;eval=x+10*sin（5*x）+7*cos（4*x）;%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega（10,09,fitness）;%生成初始种群，大小为10xendPop,bPop,trace=ga（09,fitness,initPop,1e-611,maxGenTerm,25,normGeomSelect,.0.08,arithXover,2,nonUnifMutation,2253）%25次遗传迭代运算结果为：

x=7.856224.8553（当x为7.8562时，f（x）取最大值24.8553）注：

遗传算法一般用来取得近似最优解，而不是最优解。

另外遗传算法的收敛性跟其初始值有关，大家运行上面的命令所得到的借过可能跟我的借过不同或是差别很大。

但多执行几次上面的命令（随即取不同的初始群体）一定可以得到近似最优解。

遗传算法实例2【问题】在5<=Xi<=5,i=1,2区间内，求解f（x1,x2）=-20*exp（-0.2*sqrt（0.5*（x1.2+x2.2）-exp（0.5*（cos（2*pi*x1）+cos（2*pi*x2）+22.71282的最小值。

【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3【程序清单】源函数的matlab代码functioneval=f（sol）numv=size（sol,2）;x=sol（1:

numv）;eval=-20*exp（-0.2*sqrt（sum（x.2）/numv）-exp（sum（cos（2*pi*x）/numv）+22.71282;%适应度函数的matlab代码functionsol,eval=fitness（sol,options）numv=size（sol,2）-1;x=sol（1:

numv）;eval=f（x）;eval=-eval;%遗传算法的matlab代码bounds=ones（2,1）*-55;p,endPop,bestSols,trace=ga（bounds,fitness）注：

前两个文件存储为m文件并放在工作目录下，运行结果为p=0.0000-0.00000.00551.【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08initPop=initializega（10,09,fitness）;%生成初始种群，大小为10xendPop,bPop,trace=ga（09,fitness,initPop,1e-611,maxGenTerm,25,normGeomSelect,.0.08,arithXover,2,nonUnifMutation,2253）%25次遗传迭代addoil2.【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3p,endPop,bestSols,trace=ga（bounds,fitness）看了一下，发现和在你的代码里没有体现出来？

问得好啊，snow_man_0。

这些东西都是我从树上抄下来的，书上没有讲清楚，而且我也觉得有些参数有问题。

至于第一个例子，选择二进制编码和种群中的个体数为10是没有问题的，二进制的编码长度为20是通过精度（1e-6）来确定的。

我也觉得交叉概率0.95和变异概率0.08没有在程序中体现出来，程序只所以能够正确运行，我想可能是采用了默认的交叉概率0.6以及变异概率0.05的原因吧。

程序中的参数arithXover,2,nonUnifMutation,2253）我也觉得奇怪，大家一起看看源代码，好好研究研究啊。

evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。

xoverops是传递给交叉函数的参数。

mutops是传递给变异函数的参数，具体含义我也没弄懂，我觉得有点怪。

多目标优化的处理目前我见到过提到的有这样一些方法：

1.小生境算法；2.转化为单目标算法（实质上就是对各个目标进行加权求和转换为单目标）；3.共享函数法等.上面他讲的matlab中的工具箱,我没有下载估计也试gaotv5我大致看过这个工具箱如果你想直接应用这个工具箱好像是不可以的但是,如果你只是先自己设计好一些处理方法譬如,用小生境,或者是加权转换你还是可以利用其中的很多函数的,譬如:

编码的,交叉的,变异的.你可以在自己设计的程序中适当地调用它们问：

我们可以控制matlab的启动吗？

答：

在toolboxlocal目录下有两个文件，matlabrc.m，startup.m文件，它们关系matlab的启动。

Matlab启动是自动执行这两个文件，只要修改这两个文件，我们就可以控制matlab的启动了。

startup.m不是安装时就有的，原型是startupsav.m在执行matlab.exe还可以添加参数/automatin启动作为一个自动化服务器/logfilelogfilename自动把matlab输出写到指定的日志文件/minimize最小化启动/nosplash不显示扉屏/rM_file自动执行指定的M文件/regserver注册ActiveX条目/unregserver删除ActiveX条目这些参数对在vb中用shell命令启动matlab时是很有用的。

在执行matlab.exe还可以添加参数/automatin启动作为一个自动化服务器/logfilelogfilename自动把matlab输出写到指定的日志文件/minimize最小化启动/nosplash不显示扉屏/rM_file自动执行指定的M文件/regserver注册ActiveX条目/unregserver删除ActiveX条目这些参数对在vb中用shell命令启动matlab时是很有用的。

另：

在matlab退出时，会自动执行toolboxlocal目录下finish.m文件。

addoilwrote:

【注意】matlab工具箱函数必须放在工作目录下【问题】求f（x）=x+10*sin（5x）+7*cos（4x）的最大值，其中0<=x<=9【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08【程序清单】%编写目标函数functionsol,eval=fitness（sol,options）x=sol

（1）;eval=x+10*sin（5*x）+7*cos（4*x）;%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega（10,09,fitness）;%生成初始种群，大小为10xendPop,bPop,trace=ga（09,fitness,initPop,1e-611,maxGenTerm,25,normGeomSelect,.0.08,arithXover,2,nonUnifMutation,2253）%25次遗传迭代运算借过为：

x=7.856224.8553（当x为7.8562时，f（x）取最大值24.8553）注：

遗传算法一般用来取得近似最优解，而不是最优解。

另外遗传算法的收敛性跟其初始值有关，大家运行上面的命令所得到的借过可能跟我的借过不同或是差别很大。

但多执行几次上面的命令（随即取不同的初始群体）一定可以得到近似最优解。

请教addoil：

（1）这里面编写目标函数那3句为什么要另外存成一个文件？

这3句与下面的程序存成一个文件不可以吗？

（2）目标函数中参数sol的含义是什么？

为什么在函数定义行“”的两边都有这个sol参数，如何理解？

谢谢！

sol是当前个体，若你的求解空间是n维，则sol是n+1个元素的行向量。

一般通过sol来编目标函数,sol（i）就是第i个自变量。

第n1个元素好像就是优化的目标吧。

functionpop=initializega（num,bounds,evalFN,evalOps,options）ifnargin5options=1e-61;endifnargin4evalOps=;endifany（evalFN48）%Nota.mfileifoptions

（2）=1%FloatGAestr=x=pop（i,1）;pop（i,xZomeLength）=,evalFN;else%BinaryGAestr=x=b2f（pop（i,:

）,bounds,bits）;pop（i,xZomeLength）=,evalFN;endelse%A.mfileifoptions

（2）=1%FloatGAestr=pop（i,:

）pop（i,xZomeLength）=evalFN（pop（i,:

）,0evalOps）;else%BinaryGAestr=x=b2f（pop（i,:

）,bounds,bits）;xv=evalFN.（x,0evalOps）;pop（i,:

）=f2b（x,bounds,bits）v;endendnumVars=size（bounds,1）;%Numberofvariablesrng=（bounds（:

2）-bounds（:

1）;%Thevariablerangesifoptions

（2）=1%FloatGAxZomeLength=numVars+1;%LengthofstringisnumVar+fitpop=zeros（num,xZomeLength）;%Allocatethenewpopulationpop（:

1:

numVars）=（ones（num,1）*rng）.*（rand（num,numVars）+.（ones（num,1）*bounds（:

1）;else%BinaryGAbits=calcbits（bounds,options

（1）;xZomeLength=sum（bits）+1;%LengthofstringisnumVar+fitpop=round（rand（num,sum（bits）+1）;endfori=1:

numeval（estr）;end