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多种群遗传算法的函数优化算法2010年12月15日星期三21：30【注】原帖网址：、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。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；clc close all NIND=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：MP Chromi=crtbp(NIND,NVAR*PRECI)；%创建初始种群end pc=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：MP ObjVi=ObjectFunction(bs2rv(Chromi,FieldD)；%计算各初始种群个体的目标函数值end MaxObjV=zeros(MP,1)；%记录精华种群MaxChrom=zeros(MP,PRECI*NVAR)；%记录精华种群的编码while gen0=MAXGEN gen=gen+1；%遗传代数加1 for i=1：MP FitnVi=ranking(-ObjVi)；%各种群的适应度SelChi=select(sus,Chromi,FitnVi,GGAP)；%选择操作SelChi=recombin(xovsp,SelChi,pc(i)；%交叉操作SelChi=mut(SelChi,pm(i)；%变异操作ObjVSel=ObjectFunction(bs2rv(SelChi,FieldD)；%计算子代目标函数值Chromi,ObjVi=reins(Chromi,SelChi,1,1,ObjVi,ObjVSel)；%重插入操作endChrom,ObjV=immigrant(Chrom,ObjV)；%移民操作MaxObjV,MaxChrom=EliteInduvidual(Chrom,ObjV,MaxObjV,MaxChrom)；%人工选择精华种群YY(gen)=max(MaxObjV)；%找出精华种群中最优的个体if YY(gen)maxY%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；else gen0=gen0+1；%最优值保持次数加1 end end%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,