matlab怎样让遗传算法ga从上次的运行结果开始继续寻优

Posted

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了matlab怎样让遗传算法ga从上次的运行结果开始继续寻优相关的知识,希望对你有一定的参考价值。

参考技术A 比如通过MATLAB遗传算法的思想求解f(x)=x*sin(10pi*x)+2.0,-1>f=@(x)-(x*sin(10*pi*x)+2)f= @(x)-(x*sin(10*pi*x)+2)接着输入gatool会打开遗传算法工具箱按上图所示设置,设置好了之后点击Start运行结果如下显示51代之后算法终止,最小结果为-3.85027334719567,对应的x为1.851,由于自定义函数加了负号,所以原式的最大值为3.85027334719567,对应的x为1.851。不过这是遗传算法得到的结果,每次运行的结果可能会有所不同,而且不一定是确切的最大值。遗传算法适合应用在一些求最优解比较复杂的问题(常规的算法运算时间过长,甚至无法解决)。本回答被提问者采纳

MATLAB遗传算法(GA)求解TSP问题


1. 概述

∙ \\bullet 产生:1975念,Holland提出GA

∙ \\bullet 来源:生物的进化:自然选择、适者生存;生物的遗传变异。

∙ \\bullet 基本思想

▹ \\triangleright 根据问题目标函数构造适应度函数(fitness function)

▹ \\triangleright 产生一个初始种群(100-1000)

▹ \\triangleright 根据适应度函数的好坏,不断的进行选择、交叉、变异、繁衍

▹ \\triangleright 若干代后得到适应度函数最好的个体即最优解

∙ \\bullet 构成元素

▹ \\triangleright 种群(Population),种群大小(Pop-size)

▹ \\triangleright 基因编码方法(Gene Representation):一般使用二进制编码方法(就情况而定),生成一连串的二进制串。

▹ \\triangleright 遗传算子(Genetic Operator):交叉(Crossover)算子、变异(Mutation)算子。

▹ \\triangleright 选择策略:一般为正比选择,选择种群中适应度高的个体,适者生存优胜劣汰。

▹ \\triangleright 停止准则(Stopping Rule/Criterion):一般是指定最大迭代次数。


2. 基本GA

∙ \\bullet GA流程图

∙ \\bullet 解空间与编码空间的转换:一般情况下编码空间为二进制串,而解空间为十进制数字,所以进行遗传操作时,使用二进制串,计算适应度以及返回结果时,转换为十进制数字。

∙ \\bullet 对于TSP问题,我们把染色体设置为 n 个城市的随机序列,表示旅游的路线。


3. 具体实现过程

3.1 tsp.m

t s p tsp tsp 函数生成指定城市坐标,并且形成距离矩阵。再这里我们写好了 10、30、48、50、75 城市坐标,用的时候直接调用即可,如果自己有城市坐标,也可以带入自己的城市坐标。

function [DLn,cityn]=tsp(n)
%输入参数n为城市个数,返回参数Dln为n×n的距离矩阵,cityn为n×2的城市坐标矩阵

if n==10
    city10=[0.4 0.4439;0.2439 0.1463;0.1707 0.2293;0.2293 0.761;0.5171 0.9414;
        0.8732 0.6536;0.6878 0.5219;0.8488 0.3609;0.6683 0.2536;0.6195 0.2634];%10 cities d'=2.691
    for i=1:10
        for j=1:10
            DL10(i,j)=((city10(i,1)-city10(j,1))^2+(city10(i,2)-city10(j,2))^2)^0.5;
        end
    end
    DLn=DL10;
    cityn=city10;
end

if n==30
    city30=[41 94;37 84;54 67;25 62;7 64;2 99;68 58;71 44;54 62;83 69;64 60;18 54;22 60;
        83 46;91 38;25 38;24 42;58 69;71 71;74 78;87 76;18 40;13 40;82 7;62 32;58 35;45 21;41 26;44 35;4 50];%30 cities d'=423.741 by D B Fogel
    for i=1:30
        for j=1:30
            DL30(i,j)=((city30(i,1)-city30(j,1))^2+(city30(i,2)-city30(j,2))^2)^0.5;
        end
    end
    DLn=DL30;
    cityn=city30;
end

if n==48
    city48=[6734 1453;2233 10;5530 1424;401 841;3082 1644;7608 4458;7573 3716;7265 1268;6898 1885;
        1112 2049;5468 2606;5989 2873;4706 2674;4612 2035;6347 2683;6107 669;7611 5184;7462 3590;7732 4723;
        5900 3561;4483 3369;6101 1110;5199 2182;1633 2809;4307 2322;675 6;7555 4819;7541 3981;3177 756;7352 4506;
        7545 2801;3245 3305;6426 3173;4608 1198;23 2216;7248 3779;7762 4595;7392 2244;3484 2829;6271 2135;4985 140;
        1916 1569;7280 4899;7509 3239;10 2676;6807 2993;5185 3258;3023 1942;];%48cities d'=  by att48
    for i=1:48
        for j=1:48
            DL48(i,j)=((city48(i,1)-city48(j,1))^2+(city48(i,2)-city48(j,2))^2)^0.5;
        end
    end
    DLn=DL48;
    cityn=city48;
end

if n==50
    city50=[31 32;32 39;40 30;37 69;27 68;37 52;38 46;31 62;30 48;21 47;25 55;16 57;
        17 63;42 41;17 33;25 32;5 64;8 52;12 42;7 38;5 25; 10 77;45 35;42 57;32 22;
        27 23;56 37;52 41;49 49;58 48;57 58;39 10;46 10;59 15;51 21;48 28;52 33;
        58 27;61 33;62 63;20 26;5 6;13 13;21 10;30 15;36 16;62 42;63 69;52 64;43 67];%50 cities d'=427.855 by D B Fogel
    for i=1:50
        for j=1:50
            DL50(i,j)=((city50(i,1)-city50(j,1))^2+(city50(i,2)-city50(j,2))^2)^0.5;
        end
    end
    DLn=DL50;
    cityn=city50;
end

if n==75
    city75=[48 21;52 26;55 50;50 50;41 46;51 42;55 45;38 33;33 34;45 35;40 37;50 30;
        55 34;54 38;26 13;15 5;21 48;29 39;33 44;15 19;16 19;12 17;50 40;22 53;21 36;
        20 30;26 29;40 20;36 26;62 48;67 41;62 35;65 27;62 24;55 20;35 51;30 50;
        45 42;21 45;36 6;6 25;11 28;26 59;30 60;22 22;27 24;30 20;35 16;54 10;50 15;
        44 13;35 60;40 60;40 66;31 76;47 66;50 70;57 72;55 65;2 38;7 43;9 56;15 56;
        10 70;17 64;55 57;62 57;70 64;64 4;59 5;50 4;60 15;66 14;66 8;43 26];%75 cities d'=549.18 by D B Fogel
    for i=1:75
        for j=1:75
            DL75(i,j)=((city75(i,1)-city75(j,1))^2+(city75(i,2)-city75(j,2))^2)^0.5;
        end
    end
    DLn=DL75;
    cityn=city75;
end



3.2 CalDist.m

C a l D i s t CalDist CalDist 函数计算了指定序列的总距离,输入参数 d i s l i s t dislist dislist 为距离矩阵, s s s 为城市排序序列,返回结果 F F F 为距离总长度。

function F=CalDist(dislist,s)
%计算总长度,dislist为距离矩阵,s为城市排序序列,F为距离总长度

DistanV=0;
n=size(s,2);
for i=1:(n-1)
    DistanV=DistanV+dislist(s(i),s(i+1));
end
DistanV=DistanV+dislist(s(n),s(1));
F=DistanV;

3.3 objf.m

o b j f objf objf 为计算适应度函数,传入参数 s s s 为种群,包含 i n n ( 种 群 大 小 ) inn(种群大小) inn() 种不同的旅游路线。 d i s l i s t dislist dislist 为距离矩阵。返回 f f f 为种群中每个个体的适应度, p p p 为累计概率,用于下一代的个体选择。

function [f,p]=objf(s,dislist);

inn=size(s,1);  %读取种群大小
for i=1:inn
   f(i)=CalDist(dislist,s(i,:));  %计算函数值,即适应度
end
f=1000./f';
%计算选择概率
fsum=0;
for i=1:inn
   fsum=fsum+f(i)^15;
end
for i=1:inn
   ps(i)=f(i)^15/fsum;
end
%计算累积概率
p(1)=ps(1);
for i=2:inn
   p(i)=p(i-1)+ps(i);
end
p=p';
end

3.4 sel.m

s e l sel sel 函数表示选择操作,参数 s s s 表示种群, p p p 表示累计概率。该函数实现选出两个适应度高个体序号的功能。

function seln=sel(s,p);

inn=size(p,1);
%从种群中选择两个个体
for i=1:2
   r=rand;  %产生一个随机数
   prand=p-r;
   j=1;
   while prand(j)<0  %适应度高,即出现概率大的个体首先被选择出来
       j=j+1;
   end
   seln(i)=j; %选中个体的序号
end
end

3.5 scro.m

s c r p scrp scrp 函数表示交叉操作,参数 s s s 为种群, s e l n seln seln 为选择操作选中的两个个体序号, p c pc pc 为交叉概率。返回 s c r o scro scro 为交换部分染色体后的两个个体。

function scro=cro(s,seln,pc);

bn=size(s,2MATLAB遗传法

遗传算法:matlab中ga函数参数options该怎么设置

matlab求解最优解

遗传算法(GA)的MATLAB实现

如何调用MATLAB遗传算法工具箱

MATLAB遗传算法