1. Einleitung
1 Einführung in den
genetischen Algorithmus Der genetische Algorithmus ist ein optimierter Suchalgorithmus, der die natürliche Evolution simuliert. Da es nur unter Berufung auf die Fitnessfunktion nach der optimalen Lösung suchen kann, sind keine Kenntnisse über den Lösungsraum des Problems erforderlich, und die Fitnessfunktion wird nicht durch Bedingungen wie die kontinuierliche Differenzierbarkeit eingeschränkt, sodass sie bei der Lösung von Multi verwendet wird -dimensionale, hoch nichtlineare komplexe Optimierungsprobleme Wurde weit verbreitet und eingehend erforscht.
Genetische Algorithmen werden in den Bereichen Mustererkennung, neuronale Netze, maschinelles Lernen, industrielle Optimierungssteuerung, adaptive Steuerung, Biowissenschaften und Sozialwissenschaften verwendet.
2 Prinzipien des genetischen Algorithmus
Zweitens der Quellcode
clc
tic
%%参数初始化
maxgen=100; %进化代数，即迭代次数，初始预定值选为100
sizepop=200; %种群规模，初始预定值选为100
pcross=0.9; %交叉概率选择，0和1之间，一般取0.9
pmutation=0.01; %变异概率选择，0和1之间，一般取0.01
individuals=struct('fitness',zeros(1,sizepop),'chrom',[]);
%种群，种群由sizepop条染色体(chrom)及每条染色体的适应度(fitness)组成
avgfitness=[];
%记录每一代种群的平均适应度，首先赋给一个空数组
bestfitness=[];
%记录每一代种群的最佳适应度，首先赋给一个空数组
bestchrom=[];
%记录适应度最好的染色体，首先赋给一个空数组
%初始化种群
for i=1:sizepop
%随机产生一个种群
individuals.chrom(i,:)=4000*rand(1,12);
%把12个0~4000的随机数赋给种群中的一条染色体，代表K=4个聚类中心
x=individuals.chrom(i,:);
%计算每条染色体的适应度
individuals.fitness(i)=fitness(x);
end
%%找最好的染色体
[bestfitness bestindex]=max(individuals.fitness);
%找出适应度最大的染色体，并记录其适应度的值(bestfitness)和染色体所在的位置(bestindex)
bestchrom=individuals.chrom(bestindex,:);
%把最好的染色体赋给变量bestchrom
avgfitness=sum(individuals.fitness)/sizepop;
%计算群体中染色体的平均适应度
trace=[avgfitness bestfitness];
%记录每一代进化中最好的适应度和平均适应度
for i=1:maxgen
i
%输出进化代数
individuals=Select(individuals,sizepop);
avgfitness=sum(individuals.fitness)/sizepop;
%对种群进行选择操作，并计算出种群的平均适应度
individuals.chrom=Cross(pcross,individuals.chrom,sizepop);
%对种群中的染色体进行交叉操作
individuals.chrom=Mutation(pmutation,individuals.chrom,sizepop);
%对种群中的染色体进行变异操作
for j=1:sizepop
x=individuals.chrom(j,:);%解码
[individuals.fitness(j)]=fitness(x);
end
%计算进化种群中每条染色体的适应度
[newbestfitness,newbestindex]=max(individuals.fitness);
[worestfitness,worestindex]=min(individuals.fitness);
%找到最小和最大适应度的染色体及它们在种群中的位置
if bestfitness<newbestfitness
bestfitness=newbestfitness;
bestchrom=individuals.chrom(newbestindex,:);
end
%代替上一次进化中最好的染色体
individuals.chrom(worestindex,:)=bestchrom;
individuals.fitness(worestindex)=bestfitness;
%淘汰适应度最差的个体
avgfitness=sum(individuals.fitness)/sizepop;
trace=[trace;avgfitness bestfitness];
%记录每一代进化中最好的适应度和平均适应度
end
% 交叉概率决定是否进行交叉
pick=rand;
while pick==0
pick=rand;
end
if pick>pcross
continue;
end
pick=rand;
while pick==0
pick=rand;
end
for i=1:sizepop
pick=pick-sumf(i);
if pick<0
index=[index i];
break;
end
end
end
individuals.chrom=individuals.chrom(index,:);
individuals.fitness=individuals.fitness(index);
ret=individuals;
Drei laufende Ergebnisse
Viertens Bemerkungen
Vervollständigen Sie den Code oder schreiben Sie im Namen des Hinzufügens von QQ1575304183