工控网首页
>

应用设计

>

matlab遗传算法工具箱函数及实例讲解

matlab遗传算法工具箱函数及实例讲解

2013/9/25 10:32:50

核心函数: (1)function [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)[precision F_or_B],如     precision--变量进行二进制编码时指定的精度     F_or_B--为1时选择浮点编码,否则为二进制编码,由precision指定精度) (2)function [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 【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     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] 注意】matlab工具箱函数必须放在工作目录下 【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值,其中0<=x<=9 【分析】选择二进制编码,种群中的个体数目为10,二进制编码长度为20,交叉概率为0.95,变异概率为0.08 【程序清单】    %编写目标函数      function[sol,eval]=fitness(sol,options)        x=sol(1);        eval=x+10*sin(5*x)+7*cos(4*x);    %把上述函数存储为fitness.m文件并放在工作目录下        initPop=initializega(10,[0 9],'fitness');%生成初始种群,大小为10    [x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...      [0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代 运算借过为:x =    7.8562 24.8553(当x为7.8562时,f(x)取最大值24.8553) 注:遗传算法一般用来取得近似最优解,而不是最优解。 遗传算法实例2 【问题】在-5<=Xi<=5,i=1,2区间内,求解        f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。 【分析】种群大小10,最大代数1000,变异率0.1,交叉率0.3 【程序清单】    %源函数的matlab代码       function [eval]=f(sol)         numv=size(sol,2);         x=sol(1:numv);         eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282;   %适应度函数的matlab代码       function [sol,eval]=fitness(sol,options)         numv=size(sol,2)-1;         x=sol(1:numv);         eval=f(x);         eval=-eval;   %遗传算法的matlab代码       bounds=ones(2,1)*[-5 5];       [p,endPop,bestSols,trace]=ga(bounds,'fitness') 注:前两个文件存储为m文件并放在工作目录下,运行结果为    p =    0.0000 -0.0000 0.0055 大家可以直接绘出f(x)的图形来大概看看f(x)的最值是多少,也可是使用优化函数来验证。matlab命令行执行命令: fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9]) evalops是传递给适应度函数的参数,opts是二进制编码的精度,termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数,即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。

投诉建议

提交

查看更多评论
其他资讯

查看更多

助力企业恢复“战斗状态”:MyMRO我的万物集·固安捷升级开工场景方案

车规MOSFET技术确保功率开关管的可靠性和强电流处理能力

未来十年, 化工企业应如何提高资源效率及减少运营中的碳足迹?

2023年制造业“开门红”,抢滩大湾区市场锁定DMP工博会

2023钢铁展洽会4月全新起航 将在日照触发更多商机