单目标优化求解基于matlab遗传算法求解非线性目标函数最小值问题含Matlab源码 1574期

Posted 2022-01-02 紫极神光

一、获取代码方式

获取代码方式1：
完整代码已上传我的资源：【单目标优化求解】基于matlab遗传算法求解非线性目标函数最小值问题【含Matlab源码 1574期】

获取代码方式2：
通过订阅紫极神光博客付费专栏，凭支付凭证，私信博主，可获得此代码。

备注：
订阅紫极神光博客付费专栏，可免费获得1份代码（有效期为订阅日起，三天内有效）；

二、遗传算法简介（附课程作业报告）

1 引言


2 遗传算法理论
2.1 遗传算法的生物学基础


2.2 遗传算法的理论基础




2.3 遗传算法的基本概念






2.4 标准的遗传算法


2.5 遗传算法的特点


2.6 遗传算法的改进方向

3 遗传算法流程



4 关键参数说明

三、部分源代码

clear all
clc
close all
%% 参数
parameter.nvar = 2;
parameter.xmin = -1;
parameter.xmax = 1;
parameter.m = 50; 
parameter.k = 15;%控制适配值之间差异的常数
parameter.num_part =10;
itermax = 2000;
crossover_probability = 0.5;
mutation_probability = 0.001;
num_part = parameter.num_part;
nvar = parameter.nvar; 
xmin = parameter.xmin;
xmax = parameter.xmax;
m = parameter.m;

   %% 初始化
    generation = repmat([], num_part, 1);
    for i = 1:num_part
        generation(i).x_bi = randi([0,1],1,parameter.nvar*parameter.m);%随机初始
        generation(i).cost = my_obj(generation(i).x_bi,parameter);
    end
   
   generation_new =generation;   
   dert_mean_cost = 1;
    
iter = 1;
while(dert_mean_cost>1e-10&&iter<=itermax)
generation = generation_new;
%% 复制选择
[cost_sort index] = sort([generation.cost]');
generation_sort = generation(index);%从小到大 对应
   for i = 1:num_part
      fitness(i) = parameter.k*(num_part-i)/num_part;
   end 
fitness_percent = fitness/sum(fitness);
[generation_selet] = percent_select(generation_sort,fitness,parameter); 
%% 交叉
 [generation_cross] = crossover(generation_selet,crossover_probability,parameter);
%% 变异，                     
[generation_new] = mutation(generation_cross,mutation_probability,parameter);

best(iter).cost = 10;
 
for i = 1:num_part
    generation_new(i).cost = my_obj(generation_new(i).x_bi,parameter);
    if generation_new(i).cost< best(iter).cost
        best(iter).cost = generation_new(i).cost;
        best(iter).x_bi = generation_new(i).x_bi;
    end
    %-------------------------------
    x_obj =generation_new(i).x_bi;
    b(1) = bi2de(x_obj(1:m));
    b(2) = bi2de(x_obj(m+1:nvar*m));
    x = xmin + b*(xmax-xmin)/(2^m-1);
    tempX(iter,i) =x(1);
    tempY(iter,i) =x(2);
    %-------------------
end
    meancost(iter) = mean([generation_new.cost]);
        disp(['Iteration ' num2str(iter) '| mean cost ' num2str(meancost(iter)) '| best_cost ' num2str(best(iter).cost)]);
     if  iter==1
        dert_mean_cost = 1;
     else
          dert_mean_cost = abs(meancost(iter) - meancost(iter-1));
     end
    iter = iter + 1;
end

四、运行结果

五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
《智能优化算法及其MATLAB实例（第2版）》包子阳 余继周 杨杉著 电子工业出版社