遗传算法工具箱使用实例PPT学习课件

遗传算法工具箱使用实例,1,2020/5/23,遗传算法运算流程：Step1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。Step2：建立区域描述器。求解变量的约束条件，设置变量的取值范围。Step3：在Step2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。Step4：执行比例选择算子进行选择操作。Step5：按交叉概率对交叉算子执行交叉操作。Step6：按变异概率执行离散变异操作。Step7：计算Step6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。Step8：判断是否满足遗传运算的终止进化代数，不满足则返回Step4，满足则输出运算结果。,2,2020/5/23,遗传算法工具箱的使用,在MATLAB命令行窗口输入gatool，打开遗传算法工具箱：,3,2020/5/23,Solver(求解器)：用于选择需要的算法。Problem：需要解决的问题。(1)Fitnessfunction：需要优化的目标函数，填写的格式为：funname，其中funname.m是编写目标函数的M文件，返回一个具体数值。(2)Numberofvariables：目标函数输入变量的数目。,4,2020/5/23,Constraints（约束）：(1)Linearinequalities线性不等式约束：表示为：A*x=b，填写矩阵A和向量b的信息。(2)Linearequalities线性等式约束：表示为：Aeq*x=beq，填写矩阵Aeq和向量beq的信息。(3)Bounds：填写独立变量的取值范围。在Lower中填写变量的取值下界，Upper中填写变量的取值上界，均以向量形式表示。(4)Nonlinearconstraintfunction非线性约束函数：编写非线性约束函数的M文件nonlcon.m，则在此处填写nonlcon。,5,2020/5/23,Runsolverandviewresults运行求解器并观察结果：点击Start即可开始运行遗传算法。Currentiteration中将显示当前运行的代数。Finalpoint栏中显示最优解对应的变量的取值。,6,2020/5/23,Option部分是遗传算法参数的设定：Population种群参数设定：Populationtype编码方式：有浮点编码和二进制编码，默认为Doublevector。Populationsize种群大小：默认为20，定义每一代种群的个体数量。种群规模越大，遗传算法的运行速度越慢。Creationfunction创建函数：创建初始种群。,7,2020/5/23,Initialpopulation初始种群，如果不指定初始种群，则系统将运用创建建函数创建初始种群。Initialscores初始得分，如果此处没有定义初始得分，则系统应用适应度函数来计算初始得分。Initialrange初始范围，用于指定初始种群中的各变量的上下限。初始范围用一个矩阵表示，该矩阵行数为2，列数为变量的个数。其中第一行描述初始种群中变量的取值下限，第二行描述初始种群中变量的取值上限。,8,2020/5/23,Fitnessscaling：变换适应度函数值的函数句柄。Elitecount：直接保留上一代的个体的个数。Crossoverfraction：交叉的概率。Migration中，指定迁移的方向，概率，和频率。Stoppingcriteria中，指定结束条件。Generations和timelimit指定代数和时间的最大极限。Fitnesslimit指定fitness值相差小于某一阈值时就可以收敛了。Stallgeneration和stalltimelimit指经历多少代或多久，最优值都没有出现变化时即收敛。Plotfunctions与图形输出有关，plotinterval指定多少代输出一次，默认为1.bestfitness和bestinvividual表示将最优值和相应个体输出到图像上。Display通过commandwindow输出到命令窗口。有off，final，interative，diagnose4个选择。,9,2020/5/23,初始种群的生成函数：Functionpop=initializega(num,bounds,eevalFN,eevalOps,options)输出参数：pop：生成的初始种群输入参数：num：种群中的个体数目bounds：代表变量的上下界的矩阵eevalFN：适应度函数eevalOps：传递给适度函数的参数options：选择编码形式（浮点编码或二进制编码）precisionF_or_BPrecision：变量进行二进制编码时指定的精度，F_：选择浮点编码，_B：为二进制编码,核心函数：,10,2020/5/23,遗传算法函数：Functionx,endPop,bPop,traceInfo=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)输出参数：x：求得的最优解endPop：最终得到的种群bPop：最优种群的一个搜索轨迹traceInfo：每一代种群的最优个体和均值输入参数：bounds：代表变量上下界的矩阵evalFN：适应度函数evalOps：传递给适应度函数的参数startPop：初始种群,11,2020/5/23,opts：选择编码形式（浮点编码或二进制编码）1e-6101e-6：变量进行二进制编码时指定的精度，1：选择浮点编码，0：为二进制编码termFN：终止函数的名称termOps：传递给终止函数的参数，一般为需要的遗传代数selectFN：选择函数的名称selectOps：传递给选择函数的参数xOverFNs：交叉函数名称表，以空格分开xOverOps：传递给交叉函数的参数表mutFNs：变异函数表mutOps：传递给交叉函数的参数表,12,2020/5/23,【问题】求f(x)=x2-7*x+2;的最小值，其中0=x=10【分析】选择二进制编码，二进制编码长度为20，交叉概率为0.95，变异概率为0.08,%编写目标函数functiony=f(x)y=x2-7*x+2;%把上述函数存储为f.m文件并放在工作目录下,使用fplot(x2-7*x+2,0,10);画出目标函数，与遗传算法求出的最优解对比，验证是否正确。,13,2020/5/23,14,2020/5/23,遗传算法求出最小值为：x=3.322，y=-10.2173,15,2020/5/23,【问题】求f(x)=5*x+12*sin(3*x)+8*cos(7*x);的最小值，其中0=x=9【分析】选择二进制编码，二进制编码长度为20，交叉概率为0.95，变异概率为0.08,%编写目标函数functiony=f(x)y=5*x+12*sin(3*x)+8*cos(7*x);%把上述函数存储为f.m文件并放在工作目录下,使用fplot(y=5*x+12*sin(3*x)+8*cos(7*x),0,9);画出目标函数，与遗传算法求出的最优解对比，验证是否正确。,16,2020/5/23,17,2020/5/23,遗传算法求出最小值为：x=1.38，y=-10.9692根据原函数可以看出求出的最优解与实际最优解基本相等。,18,2020/5/23,遗传算法是一种全局优化概率算法，主要的优点有：1.遗传算法对所求解的优化问题没有太多的数学要求，由于他的进化特性，搜素过程中不需要问题的内在性质，对于任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连