标签：end sum pop decode matlab x2 遗传算法 x1 框架结构

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=2^{16}<13\times 10^4<2^{17}=131072$65536=216<13×104<217=131072则我们的二进制编码长度为17位
• 解码方法：若x的区间为[a,b]，x的二进制编码为(a_0,a_1,…a_n-1,a_n)则长度为n+1，那么十进制数为$(a_0a_1...a_{n-1}a_n)_2=(\sum_{i=0}^{n}a_i\times2^i)_{10}=sum$(a0​a1​...an−1​an​)2​=(i=0∑n​ai​×2i)10​=sum$x=a+sum\times(b-a)/(2^{n+1}-1)$x=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');

实例

标签：end,sum,pop,decode,matlab,x2,遗传算法,x1,框架结构
来源： https://blog.csdn.net/qq_44384577/article/details/104613040

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。