Optimality之GA遗传算法思路理解相关配图资料

目录

GA遗传算法思路理解

GA算法过程

1、总体思路

2、各个步骤

GA算法代码

1、伪代码

SGA实例讲解

1、求函数最值

2、求连续函数的最值

Matlab的实现之GAOT工具箱

GA遗传算法思路理解

遗传算法Genetic Algorithm

GA算法过程

1、总体思路

2、各个步骤

(1)、编码

(2)、选择

(3)、变异

T3、循环交叉CX

GA算法代码

1、伪代码

Procedure Genetic Algorithm
 
begin
    t  =  0  ;
    初始化  P(t)  ;
    计算  P(t)  的适应值  ;
    while  (不满足停止准则)  do begin
        t  =  t+1  ;	
        从P(t-1)中选择  P(t)  ;	 %selection
        重组  P(t)  ;		     % crossover  and  mutation
    end
end
 

SGA实例讲解

1、求函数最值

求函数f(x)=x^2的最大值，x为自然数且0≤x≤31。

编码	编码方式：二进制码     00000 ↔ 0;    01101 ↔    13;  11111 ↔ 31
随机初始群体	种群规模：4
	“转盘赌”选择 一点杂交，二进制变异

2、求连续函数的最值

求f ( x) = x sin(10π x) + 2.0  x ∈ [−1, 2]

Fitness.m文件
function [sol,eval]=fitness(sol,options) 
    x=sol(1);
    eval = x*sin(10*pi*x)+2.0;

3、无约束优化问题

4、约束最优化问题

Matlab的实现之GAOT工具箱

1、核心函数：
(1) [pop]=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)与精度，如 [type prec]， type-----为1时选择浮点编码，否则为二进制编码
prec-----变量进行二进制编码时指定的精度，默认[1e-6 1]

(2) [x,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
traceInfo------每代种群中最优及平均个体构成的矩阵
  【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

【输入参数】
opts------- [epsilon prob_ops display]，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-6 1 0]
termFN-------终止函数的名称,如['maxGenTerm']
termOps-------传递个终止函数的参数,如[100] selectFN-------选择函数的名称,如['normGeomSelect'] selectOps-------传递个选择函数的参数,如[0.08]
xOverFNs-------交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover']
xOverOps-------传递给交叉函数的参数表，如[2 0;2 3;2 0] mutFNs-------变异函数表，如['boundaryMutation
multiNonUnifMutation nonUnifMutation unifMutation']
mutOps-------传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]