遗传算法破解非线性优化题

原创已于 2025-08-24 16:49:32 修改 · 629 阅读

9 ·

本内容遵循CC 4.0 BY-SA版权协议

GEO检测

标签

#遗传算法

于 2025-08-24 15:37:09 首次发布

遗传算法:

使用遗传算法 (GA) 求解带约束的非线性优化问题，通过进化计算找到满足所有约束条件的最小值点。举个栗子：

求下列函数最小值：

$min f = (x_2 - x_1^2)^2 + (1 - x_1)^2 + (x_3 - x_2^2)^2 + (1 - x_2)^2$

$s.t.\begin{cases} 9x_1 + 6x_2 + x_3 = 100 \\ -10x_1 - 20x_2 - x_3 \le -100 \\ x_1 + 2x_2 + 4x_3 \le 40 \\ 2 \le x_1, x_2, x_3 \le 10 \end{cases}$

目标函数定义

目标函数 :

$f(x) = (x_2 - x_1^2)^2 + (1 - x_1)^2 + (x_3 - x_2^2)^2 + (1 - x_2)^2$

这是一个多变量非线性函数，包含 4 个平方项，目标是让每个项都趋近于 0。

在 MATLAB 中定义为：

f = @(x) (x(2)-x(1)^2)^2 + (1-x(1))^2 + (x(3)-x(2)^2)^2 + (1-x(2))^2;

约束条件定义

约束通过一个函数返回不等式约束 $c$ 和等式约束 $ceq$ 。使用 $deal$ 函数分离两类约束。

constr = @(x) deal([x(1) + 2*x(2) + 4*x(3) - 40; -10*x(1) - 20*x(2) - x(3) + 100], 9*x(1) + 6*x(2) + x(3) - 100);

不等式约束 $c$ : 满足 $c$ ≤ 0

$-10x_1 - 20x_2 - x_3 \le -100\rightarrow -10x_1 - 20x_2 - x_3 + 100 \le 0$

等式约束 $ceq$ : 满足 $ceq$ = 0

$9x_1 + 6x_2 + x_3 = 100\rightarrow 9x_1 + 6x_2 + x_3 - 100 = 0$

（注：在 ga 中通过函数句柄返回 c 和 ceq 即可）

变量取值范围

下限: $lb$ = [2, 2, 2]
上限: $ub$ = [10, 10, 10]

所有变量都在区间 [2, 10] 内。

遗传算法配置

options = optimoptions('ga', 'Display', 'final', 'MaxGenerations', 500, 'PopulationSize', 50);

Display: 'final' — 仅显示最终结果
MaxGenerations: 500 — 最大进化代数
PopulationSize: 50 — 种群大小

优化执行

[x_opt, fval] = ga(f, 3, [], [], [], [], lb, ub, constr, options);

参数含义：

目标函数： $f$
变量个数：3
线性不等式/等式约束：空矩阵（无）
边界： $lb$ 、 $ub$
非线性约束： $constr$
选项： $options$

求解结果

最小值（目标函数值）: $fval$ ≈ 2328.195240
最优解:
- ≈ 6.473706
- ≈ 6.064513
- ≈ 5.349566

说明

给定的约束需要在解的过程中被严格满足。若你需要更严格的收敛性，可以尝试：
增加最大代数（MaxGenerations）
调整种群规模（PopulationSize）
调整交叉、变异概率（通过 ga 的相关选项，如 CrossoverFraction, MutationFcn 等）

如果约束严格性较高，考虑将约束编码为惩罚项，或使用自适应罚函数的 GA 实现以提高收敛性。