非线性整数规划的遗传算法Matlab程序.doc

羇肈蒆薄蚆芃莂薃蝿肆芈蚂袁芁膄蚁羃肄蒃蚀蚃袇葿虿袅膂莅虿羈羅芁蚈蚇膁膇蚇螀羄蒅蚆袂腿莁螅羄羂芇螄蚄膇膃螃螆羀薂螃羈芆蒈螂肁肈莄螁螀芄芀莇袃肇膆莇羅节蒅蒆蚅肅莁蒅螇芀芇蒄衿肃节蒃肂袆薁蒂螁膂蒇蒁袄羄莃蒁羆膀艿蒀蚅羃膅蕿螈膈蒄薈袀羁莀薇肂膆莆薆螂聿节薅袄芅膈薅羇肈蒆薄蚆芃莂薃蝿肆芈蚂袁芁膄蚁羃肄蒃蚀蚃袇葿虿袅膂莅虿羈羅芁蚈蚇膁膇蚇螀羄蒅蚆袂腿莁螅羄羂芇螄蚄膇膃螃螆羀薂螃羈芆蒈螂肁肈莄螁螀芄芀莇袃肇膆莇羅节蒅蒆蚅肅莁蒅螇芀芇蒄衿肃节蒃肂袆薁蒂螁膂蒇蒁袄羄莃蒁羆膀艿蒀蚅羃膅蕿螈膈蒄薈袀羁莀薇肂膆莆薆螂聿节薅袄芅膈薅羇肈蒆薄蚆芃莂薃蝿肆芈蚂袁芁膄蚁羃肄蒃蚀蚃袇葿虿袅膂莅虿羈羅芁蚈蚇膁膇蚇螀羄蒅蚆袂腿莁螅羄羂芇螄蚄膇膃螃螆羀薂螃羈芆蒈螂肁肈莄螁螀芄芀莇袃肇膆莇羅节蒅蒆蚅肅莁蒅螇芀芇蒄衿肃节蒃肂袆薁蒂螁膂蒇蒁袄羄莃蒁羆膀艿蒀蚅羃膅蕿螈膈蒄薈袀羁莀薇肂膆莆薆螂聿节薅袄芅膈薅羇肈蒆薄蚆芃莂薃蝿肆芈蚂袁芁膄蚁羃肄蒃蚀蚃袇葿虿袅膂莅虿羈羅芁蚈蚇膁膇 非线性整数规划的遗传算法Matlab程序（引自人工智能及数据挖掘论坛）这是一个具有200个01决策变量的多目标非线性整数规划，编写优化的目标函数如下，其中将多目标转化为单目标采用简单的加权处理。 function Fitness=FITNESS(x,FARM,e,q,w) % 适应度函数 % 输入参数列表 % x 决策变量构成的450的0-1矩阵 % FARM 细胞结构存储的当前种群，它包含了个体x % e 450的系数矩阵 % q 450的系数矩阵 % w 150的系数矩阵 % gamma=0.98; N=length(FARM);%种群规模 F1=zeros(1,N); F2=zeros(1,N); for i=1:N xx=FARMi; ppp=(1-xx)+(1-q).*xx; F1(i)=sum(w.*prod(ppp); F2(i)=sum(sum(e.*xx); end ppp=(1-x)+(1-q).*x; f1=sum(w.*prod(ppp); f2=sum(sum(e.*x); Fitness=gamma*sum(min(sign(f1-F1);zeros(1,N)+(1-gamma)*sum(min(sign(f2-F2);zeros(1,N); 针对问题设计的遗传算法如下，其中对模型约束的处理是重点考虑的地方 function Xp,LC1,LC2,LC3,LC4=MYGA(M,N,Pm) % 求解01整数规划的遗传算法 % 输入参数列表 % M 遗传进化迭代次数 % N 种群规模 % Pm 变异概率 % 输出参数列表 % Xp 最优个体 % LC1 子目标1的收敛曲线 % LC2 子目标2的收敛曲线 % LC3 平均适应度函数的收敛曲线 % LC4 最优适应度函数的收敛曲线 % 参考调用格式Xp,LC1,LC2,LC3,LC4=MYGA(50,40,0.3) % 第一步：载入数据和变量初始化 load eqw;%载入三个系数矩阵e,q,w %输出变量初始化 Xp=zeros(4,50); LC1=zeros(1,M); LC2=zeros(1,M); LC3=zeros(1,M); LC4=zeros(1,M); Best=inf; % 第二步：随机产生初始种群 farm=cell(1,N);%用于存储种群的细胞结构 k=0; while k %以下是一个合法个体的产生过程 x=zeros(4,50);%x每一列的1的个数随机决定 for i=1:50 R=rand; Col=zeros(4,1); if R0.9 RP=randperm(4); Col(RP(1:2)=1; else RP=randperm(4); Col(RP(1:3)=1; end x(:,i)=Col; end %下面是检查行和是否满足约束的过程，对于不满足约束的予以抛弃 Temp1=sum(x,2); Temp2=find(Temp120); if length(Temp2)=0 k=k+1; farmk=x; end end % 以下是进化迭代过程 counter=0;%设置迭代计数器 while counter % 第三步：交叉 %交叉采用双亲双子单点交叉 newfarm=cell(1,2*N);%用于存储子代的细胞结构 Ser=randperm(N);%两两随机配对的配对表 A=farmSer(1);%取出父代A B=farmSer(2);%取出父代B P0=unidrnd(49);%随机选择交叉点 a=A(:,10),B(:,(P0+1):end);%产生子代a b=B(:,10),A(:,(P0+1):end);%产生子代b newfarm2*N-1=a;%加入子代种群 newfarm2*N=b; %以下循环是重复上述过程 for i=1N-1) A=farmSer(i); B=farmSer(i+1); P0=unidrnd(49); a=A(:,10),B(:,(P0+1):end); b=B(:,10),A(:,(P0+1):end); newfarm2*i-1=a; newfarm2*i=b; end FARM=farm,newfarm;%新旧种群合并 % 第四步：选择复制 FLAG=ones(1,3*N);%标志向量，对是否满足约束进行标记 %以下过程是检测新个体是否满足约束 for i=13*N) x=FARMi; sum1=sum(x,1); sum2=sum(x,2); flag1=find(sum1=0); flag2=find(sum1=4); flag3=find(sum220); if length(flag1)+length(flag2)+length(flag3)0 FLAG(i)=0;%如果不满足约束，用0加以标记 end end NN=length(find(FLAG)=1);%满足约束的个体数目，它一定大于等于N NEWFARM=cell(1,NN); %以下过程是剔除不满主约束的个体 kk=0; for i=13*N) if FLAG(i)=1 kk=kk+1; NEWFARMkk=FARMi; end end %以下过程是计算并存储当前种群每个个体的适应值 SYZ=zeros(1,NN); syz=zeros(1,N); for i=1:NN x=NEWFARMi; SYZ(i)=FITNESS2(x,NEWFARM,e,q,w);%调用适应值子函数 end k=0; %下面是选择复制，选择较优的N个个体复制到下一代 while k minSYZ=min(SYZ); posSYZ=find(SYZ=minSYZ); POS=posSYZ(1); k=k+1; farmk=NEWFARMPOS; syz(k)=SYZ(POS); SYZ(POS)=inf; end %记录和更新，更新最优个体，记录收敛曲线的数据 minsyz=min(syz); meansyz=mean(syz); pos=find(syz=minsyz); LC3(counter+1)=meansyz; if minsyz Best=minsyz; Xp=farmpos(1); end LC4(counter+1)=Best; ppp=(1-Xp)+(1-q).*Xp; LC1(counter+1)=sum(w.*prod(ppp); LC2(counter+1)=sum(sum(e.*Xp); % 第五步：变异 for i=1:N if Pmrand%是否变异由变异概率Pm控制 AA=farmi;%取出一个个体 POS=unidrnd(50);%随机选择变异位 R=rand; Col=zeros(4,1); if R0.9 RP=randperm(4); Col(RP(1:2)=1; else RP=randperm(4); Col(RP(1:3)=1; end %下面是判断变异产生的新个体是否满足约束，如果不满足，此次变异无效 AA(:,POS)=Col; Temp1=sum(AA,2); Temp2=find(Temp120); if length(Temp2)=0 farmi=AA; end end end counter=counter+1 end %第七步：绘收敛曲线图 figure(1); plot(LC1); xlabel(迭代次数); ylabel(子目标1的值); title(子目标1的收敛曲线); figure(2); plot(LC2); xlabel(迭代次数); ylabel(子目标2的值); title(子目标2的收敛曲线); figure(3); plot(LC3); xlabel(迭代次数); ylabel(适应度函数的平均值); title(平均适应度函数的收敛曲线); figure(4); plot(LC4); xlabel(迭代次数); ylabel(适应度函数的最优值); title(最优适应度函数的收敛曲线); 蒂薅蝿芁薁蚇羄膇薀蝿螇肃薀葿羃聿蕿蚁袅莇薈螄肁芃薇袆袄腿薆薆聿肅膃蚈袂羁节螀肈芀芁蒀袀膆芀薂肆膂艿螅罿肈芈袇螁莆芈薇羇节芇虿螀膈芆螁羅肄莅蒁螈羀莄薃羃艿莃蚅螆芅莂袈肂膁莂薇袅肇莁蚀肀羃莀螂袃节荿蒂肈膈蒈薄袁肄蒇蚆肇羀蒆衿衿莈蒆薈蚂芄蒅蚁羈膀蒄螃螁肆蒃蒃羆羂蒂薅蝿芁薁蚇羄膇薀蝿螇肃薀葿羃聿蕿蚁袅莇薈螄肁芃薇袆袄腿薆薆聿肅膃蚈袂羁节螀肈芀芁蒀袀膆芀薂肆膂艿螅罿肈芈袇螁莆芈薇羇节芇虿螀膈芆螁羅肄莅蒁螈羀莄薃羃艿莃蚅螆芅莂袈