优化求解基于matlab粒子群与遗传算法混合算法求解切削参数优化问题（以成本和碳排放量为目标函数）含Matlab源码 1619期

Posted 2022-01-07 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粒子群与遗传算法混合算法求解切削参数优化问题（以成本和碳排放量为目标函数）【含Matlab源码 1619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

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

%计算机床在进行切削时的碳排放量
%遗传算法子程序
%a:切削速度，fz:铣刀每齿进给量
%Name:Cpaifang.m
popsize = 500;
a = 78 + 122 * rand(popsize,1);%a(切削速度)的染色体基因个数[78,200]
fz = 8 + 12 * rand(popsize,1);%fz(每齿进给量)的染色体基因个数，在原有机床扩大了100倍[8,20]
gp = 1 + 14 * rand(popsize,1);%gp(铣削深度)的染色体基因个数[1,15]
ge = 40 + 180 * rand(popsize,1);%ge(铣削宽度)的染色体基因个数[40,220]
chromlength1 = 8;%a(切削速度)的染色体基因个数[78,200]
chromlength2 = 5;%fz(每齿进给量)的染色体基因个数，在原有机床扩大了100倍[8,20]
chromlength3 = 4;%gp(铣削深度)的染色体基因个数[1,15]
chromlength4 = 8;%ge(铣削宽度)的染色体基因个数[40,220]
chromlength = chromlength1 + chromlength2 + chromlength3 + chromlength4;
pop = initpop1(a,fz,gp,ge,popsize,chromlength1,chromlength2,chromlength3,chromlength4,chromlength);%产生初始种群
%[newpop] = liselection(popsize,chromlength,pop,chromlength1,chromlength2,chromlength3,chromlength4);
pop5=[];
for i = 1 : popsize
    [objvalue] = calobjvalue1(pop);%计算目标函数
    [fitvalue] = calfitvalue1(objvalue);%计算个体适应度值
    [newpop] = selection1(pop,fitvalue);%选择
    %[newpop1] = liselection(popsize,chromlength,newpop,chromlength1,chromlength2,chromlength3,chromlength4);%粒子群算法
    [newpop1] = crossover1(newpop,popsize,chromlength1,chromlength2,chromlength3,chromlength4,chromlength);%交叉
    [newpop2] = mutation1(newpop1,popsize,chromlength1,chromlength2,chromlength3,chromlength4,chromlength);%变异
    [newobjvalue] = newcalobjvalue1(newpop2);%计算最新代目标函数
    [newfitvalue] = newcalfitvalue1(newobjvalue);%计算新种群适应度值
    [bestindividual,bestfit] = best(newpop2,newfitvalue);%求出群体中适应值最大的个体及其适应值
    y(i) = bestfit;%储存最优个体适应值
    pop5(i,:) = bestindividual;%储存最优个体
    n(i) = i;%记录最优代位置
    %解码
%     x1(i) = 0 + decodechrom(pop5,1,8);
%     x2(i) = decodechrom(pop5,9,5);
%     x3(i) = decodechrom(pop5,14,4);
%     x4(i) = decodechrom(pop5,18,8);
    pop = newpop2;
end

C1 = 1.5;%学习因子
C2 = 1.5;%学习因子
W = 0.8;%惯性权重
Vmax = 10;%最大飞行速度
Vmin = -10;%最小飞行速度
amax = max(decodechrom(pop5,1,8));
amin = min(decodechrom(pop5,1,8));
fzmax = max(decodechrom(pop5,9,5));
fzmin = min(decodechrom(pop5,9,5)); 
gpmax = max(decodechrom(pop5,14,4));
gpmin = min(decodechrom(pop5,14,4));
gemax = max(decodechrom(pop5,18,8));
gemin = min(decodechrom(pop5,18,8));
popv = rand(popsize,4) * (Vmax-Vmin)+Vmin;
popx = [decodechrom(pop5,1,8),decodechrom(pop5,9,5),decodechrom(pop5,14,4),decodechrom(pop5,18,8)];%满足参数范围
index = find(popx(:,1)>amax | popx(:,1)<amin);
popx(index,1) = rand * (amax - amin) + amin;
index = find(popx(:,2)>fzmax | popx(:,2)<fzmin);
popx(index,2) = rand * (fzmax-fzmin) + fzmin;
index = find(popx(:,3)>gpmax | popx(:,3)<gpmin);
popx(index,3) = rand * (gpmax-gpmin) + gpmin;
index = find(popx(:,4)>gemax | popx(:,4)<gemin);
popx(index,4) = rand * (gemax-gemin) + gemin;
pBest= popx;
pBestValue = calobjvalue12(pBest);
[gBestValue,index] = min(calobjvalue12(popx));
gBest = popx(index,:);%问题在这
for t = 1 : 1000
    for k = 1:popsize
        %更新个体的位置和速度
        popv(k,:) = W * popv(k,:)+C1 * rand *(pBest(k,:)-popx(k,:))+C2 * rand * (gBest - popx(k,:));
        popx(k,:) = popx(k,:) + popv(k,:);
        %边界处理，超过定义范围就取改范围极值
        %p1(i,:) = round(newpop(i,:));
        index = find(popv(k,:)>Vmax | popv(k,:)<Vmin);
        popv(k,index) = rand * (Vmax - Vmin) + Vmin;
        if popx(k,1)>amax
            popx(k,1) = rand * (amax-amin)+amin;
        end
        if popx(k,1)<=amin
        %index = find(popx(i,1)<=amin);
            popx(k,1) = rand * (amax-amin)+amin;
        end
        if popx(k,2)>fzmax
            popx(k,2) = rand * (fzmax-fzmin) + fzmin;
        end
        if popx(k,2)<fzmin
            popx(k,2) = rand * (fzmax-fzmin) + fzmin;
        end
        %index = find(popx(i,2)>20);
        if popx(k,3)>gpmax
            popx(k,3) = rand * (gpmax-gpmin) + gpmin;
        end
        if popx(k,3)<gpmin
            popx(k,3) = rand * (gpmax-gpmin) + gpmin;
        end
        if popx(k,4)>gemax
            popx(k,4) = rand * (gemax-gemin) + gemin;
        end
        if popx(k,4)<gemin
            popx(k,4) = rand * (gemax-gemin) + gemin;
        end
        %更新粒子历史最优
        if calobjvalue12(popx(k,:))<pBestValue(k)
            pBest(k,:) = popx(k,:);
            pBestValue(k) = calobjvalue12(popx(k,:));
        end
       if pBestValue(k) < gBestValue
           gBest = pBest(k,:);
           gBestValue = pBestValue(k);
       end
    end
    tBest(t) = calobjvalue12(gBest);
    pop6(t,:) = gBest; 
    zx(t) = t;
end
    
%%绘图
figure(1)%最优点变化趋势图
i = 1 : 1000;
plot(tBest(i),'-b*')
xlabel('迭代次数T');
ylabel('最优个体适应值(Tw+C)/mm3');
title('最优点变化趋势');
legend('最优点');
grid on
[z index] = min(tBest);%计算最小值及其位置
PO = zx(index) %最优个体的位置
X = pop6(index,1)
Y = pop6(index,2)
Z = pop6(index,3)
R = pop6(index,4)
F = z    

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