遗传算法：matlab中ga函数参数options该怎么设置

Posted 2023-03-28

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了遗传算法：matlab中ga函数参数options该怎么设置相关的知识，希望对你有一定的参考价值。

我这里是需要用ga解决一个有约束的线性优化问题：min f(X) (线性）线性约束：Aeq*X=Beq; 变量的上下限Lb<=X<=Ub;变量有86个，f(X)和线性约束都很常规；我的调用：[xv,fval]=ga(@fitness,86,,Aeq,beq,Lb,Ub,[],options),这里的options该怎么设置？？？
我的调用：[xv,fval]=ga(@fitness,86,[],[],Aeq,beq,Lb,Ub,[],options),

options可以不写有默认设置。

options是一个结构体要用函数gaoptimset()设置。

options=gaoptimset()然后把options填到ga()里面。

gaoptimset('属性名1',数值1,'属性名2',数值2......)。

常用设置：

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。

每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。

由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。

这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

参考技术A

options 可以不写有默认设置

options是一个结构体要用函数gaoptimset()设置

options=gaoptimset() 然后把options填到ga()里面

gaoptimset('属性名1',数值1,'属性名2',数值2......)

常用设置：