遗传算法应用案例

最新推荐文章于 2026-05-18 15:59:01 发布

原创最新推荐文章于 2026-05-18 15:59:01 发布 · 8.6k 阅读

51 ·

本内容遵循CC 4.0 BY-SA版权协议

数学建模专栏收录该内容

2 篇文章

订阅专栏

本文通过MATLAB介绍了遗传算法在无约束优化问题中的应用，以寻找目标函数的最大值为案例进行详细解析。

<<MATLAB在数学建模中的应用>>

案例一.无约束目标函数最大值遗传算法求解策略

求解问题 $max f(x)=200*exp(-0.05*x)*\sin (x) ,x\in [-2,2]$

%主程序:用遗传算法求解y=200*exp(-0.05*x).*sin(x)在[-2,2]上的最大值
clc;
clear all;
close all;
global BitLength
global boundsbegin
global boundsend
bounds=[-2 2];   %一维自变量的取值范围
precision=0.0001;%运算精度
boundsbegin=bounds(:,1);
boundsend=bounds(:,2);
%计算如果满足求解精度至少需要多长的染色体
BitLength=ceil(log2((boundsend-boundsbegin)'./precision));
popsize=50;       %初始种群大小
Generationnmax=30;%最大代数
pcrossover=0.90;  %交配概率
pmutation=0.09;   %变异概率
%产生初始种群
population=round(rand(popsize,BitLength));
%计算适应度,返回适应度Fitvalue和累计概率cumsump
[Fitvalue,cumsump]=fitnessfun(population);
Generation=1;
while Generation<Generationnmax
   for j=1:2:popsize
       %选择操作
       seln=selection(population,cumsump);
       %交叉操作
       scro=crossover(population,seln,pcrossover);
       scnew(j,:)=scro(1,:);
       scnew(j+1,:)=scro(2,:);
       %变异操作
       smnew(j,:)=mutation(scnew(j,:),pmutation);
       smnew(j+1,:)=mutation(scnew(j+1,:),pmutation);
   end
   population=smnew;%产生了新的种群
   %计算新种群的适应度
   [Fitvalue,cumsump]=fitnessfun(population);
   %记录当前代最好的适应度和平均适应度
   [fmax,nmax]=max(Fitvalue);
   fmean=mean(Fitvalue);
   ymax(Generation)=fmax;
   ymean(Generation)=fmean;
   %记录当前代最好的适应度和平均适应度
   x=transform2to10(population(nmax,:));
   %自变量取值范围是[-2,2],需要把经过遗传运算的最佳染色体整合到[-2,2]区间
   xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1);
   xmax(Generation)=xx;
   Generation=Generation+1;
end
Generation=Generation-1;
Bestpopulation=xx;
Besttargetfunvalue=targetfun(xx);
%绘制经过遗传算法后的适应度曲线.一般的,如果进化过程中种群的平均适应度与最大适应度
%在曲线上有相互趋同的形态,表示算法收敛进行很顺利,没有出现震荡;
%在这种前提下,最大适应度个体连续若干代没有发生进化表明种群已经成熟
figure(1);
hand1=plot(1:Generation,ymax);
set(hand1,'linestyle','-','linewidth',1.8,'marker','*','markersize',6);
hold on
hand2=plot(1:Generation,ymean);
set(hand2,'color','r','linestyle','-','linewidth',1.8,...
    'marker','h','markersize',6);
xlabel('进化代数');ylabel('最大/平均适应度');xlim([1 Generation]);
legend('最大适应度','平均适应度');
box off;hold off;

function scro=crossover(population,seln,pc)
BitLength=size(population,2);
pcc=IfCroIfMut(pc);%根据交叉概率决定是否进行交叉操作,1则是,0则否
if pcc == 1
    chb=round(rand*(BitLength-2))+1;%在[1,BitLength-1]范围内随机产生一个交叉位
    scro(1,:)=[population(seln(1),1:chb) population(seln(2),chb+1:BitLength)];
    scro(2,:)=[population(seln(2),1:chb) population(seln(1),chb+1:BitLength)];
else
    scro(1,:)=population(seln(1),:);
    scro(2,:)=population(seln(2),:);
end
end

function [Fitvalue,cumsump]=fitnessfun(population)
global BitLength
global boundsbegin
global boundsend
popsize=size(population,1);
for i=1:popsize
   x=transform2to10(population(i,:));%将二进制转化为10进制
   %转化为[-2,2]区间的实数
   xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1);
   Fitvalue(i)=targetfun(xx);       %计算函数值,即适应度
end
%给适应度加上一个大小合理的数以便保证种群适应值为正数
Fitvalue=Fitvalue'+230;
%计算选择概率
fsum=sum(Fitvalue);
Pperpopulation=Fitvalue/fsum;
%计算累积概率
cumsump(1)=Pperpopulation(1);
for i=2:popsize
    cumsump(i)=cumsump(i-1)+Pperpopulation(i);
end
cumsump=cumsump';
end

function pcc=IfCroIfMut(mutORcro)
test(1:100)=0;
l=round(100*mutORcro);
test(1:l)=1;
n=round(rand*99)+1;
pcc=test(n);
end

function snnew=mutation(snew,pmutation)
    BitLength=size(snew,2);
    snnew=snew;
    pmm=IfCroIfMut(pmutation);%根据变异概率决定是否进行编译操作,1则是,0则不是
    if pmm == 1
       chb=round(rand*(BitLength-1))+1;%在[1,BitLength]范围内随机产生一个变异位
       snnew(chb)=abs(snew(chb)-1);
    end
end

function seln=selection(population,cumsump)
%从种群中选择两个个体
for i=1:2
    r=rand;         %随机产生一个随机数
    prand=cumsump-r;
    j=1;
    while prand(j)<0
        j=j+1;
    end
    seln(i)=j;      %选中个体的序号
end
end

function x=transform2to10(Population)
    BitLength=size(Population,2);
    x=Population(BitLength);
    for i=1:BitLength-1
        x=x+Population(BitLength-i)*power(2,i);
    end
end

function y=targetfun(x)
y = 200*exp(-0.05*x).*sin(x);
end