多种群遗传算法的函数优化算法.doc

多种群遗传算法的函数优化算法1、案例背景 针对遗传算法所存在的问题，一种多种群遗传算法结构模型（Multiple Population GA，简称MPGA）可以用来取代常规的标准计算模型（SGA）。MPGA在SGA的基础上主要引入了以下几个概念：（1）突破SGA仅靠单个群体进行遗传进化的框架，引入多个种群同时进行优化搜索；不同的种群赋以不同的控制参数，实现不同的搜索目的。（2）各个种群之间通过移民算子进行联系，实现多种群的协同进化；最优解的获取是多个种群协同进化的综合结果。（3）通过人工选择算子保存各种群每个进化代中的最优个体，并作为判断算法收敛的依据。图7-1 MPGA的算法结构示意图复杂二元函数求最值：图7-2二元函数图像2、案例目录：第7章 多种群遗传算法的函数优化算法7.1理论基础7.1.1遗传算法早熟问题7.1.2多种群遗传算法概述7.2案例背景7.2.1问题描述7.2.2解决思路及步骤7.3 MATLAB程序实现7.3.1移民算子7.3.2人工选择算子7.3.3目标函数7.3.4标准遗传算法主函数7.3.5多种群遗传算法主函数7.3.6结果分析7.4延伸阅读7.5参考文献3、主程序：% 多种群遗传算法clear;clcclose allNIND=40; %个体数目NVAR=2; %变量的维数PRECI=20; %变量的二进制位数GGAP=0.9; %代沟MP=10; %种群数目FieldD=rep(PRECI,1,NVAR);-3,4.1;12.1,5.8;rep(1;0;1;1,1,NVAR); %译码矩阵for i=1:MPChromi=crtbp(NIND, NVAR*PRECI); %创建初始种群endpc=0.7+(0.9-0.7)*rand(MP,1); %在【0.7,0.9】范围i内随机产生交叉概率pm=0.001+(0.05-0.001)*rand(MP,1); %在【0.001,0.05】范围内随机产生变异概率gen=0; %初始遗传代数gen0=0; %初始保持代数MAXGEN=10; %最优个体最少保持代数maxY=0; %最优值for i=1:MPObjVi=ObjectFunction(bs2rv(Chromi, FieldD);%计算各初始种群个体的目标函数值endMaxObjV=zeros(MP,1); %记录精华种群MaxChrom=zeros(MP,PRECI*NVAR); %记录精华种群的编码while gen0maxY %判断当前优化值是否与前一次优化值相同maxY=YY(gen); %更新最优值gen0=0;elsegen0=gen0+1; %最优值保持次数加1endend% 进化过程图plot(1:gen,YY)xlabel(进化代数)ylabel(最优解变化)title(进化过程)xlim(1,gen)% 输出最优解Y,I=max(MaxObjV); %找出精华种群中最优的个体X=(bs2rv(MaxChrom(I,:), FieldD); %最优个体的解码解disp(最优值为：,num2str(Y)