《2022年遗传算法matlab代码AGA .pdf》由会员分享，可在线阅读，更多相关《2022年遗传算法matlab代码AGA .pdf（18页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、遗传算法 matlab 代码2008-02-11 16:13 function youhuafun D=code;N=50;%Tunable maxgen=50;%Tunable crossrate=0.5;%Tunable muterate=0.08;%Tunable generation=1;num=length(D);fatherrand=randint(num,N,3);score=zeros(maxgen,N);while generation1450)|(min(F2)=900)error(DATA property F2 exceed its range(900,1450)end
2、%get group property F1 of data,according to F2 value F4=zeros(size(F1);for ite=11:-1:1 index=find(F2=900+ite*50);F4(index)=ite;end D=F1,F2,F3,F4;function ScoreN=scorefun(fatherrand,D)F3=D(:,3);F4=D(:,4);N=size(fatherrand,2);FF4=F4*ones(1,N);名师资料总结-精品资料欢迎下载-名师精心整理-第 2 页，共 18 页 -FF4rnd=FF4-fatherrand;
3、FF4rnd=max(FF4rnd,1);ScoreN=ones(1,N)*300*11;%这里有待优化for k=1:N FF4k=FF4rnd(:,k);for ite=1:11 F0index=find(FF4k=ite);if isempty(F0index)tmpMat=F3(F0index);tmpSco=sum(tmpMat);ScoreBin(ite)=mod(tmpSco,300);end end Scorek(k)=sum(ScoreBin);end ScoreN=ScoreN-Scorek;遗传算法程序matlab 2006 年 12 月 09 日 星期六20:53 遗传
4、算法程序本程序收集于网络，本人并未进行过运行，如有问题请与作者联系，如有侵权请告之遗传算法程序:说明:fga.m 为遗传算法的主程序;采用二进制 Gray 编码,采用基于轮盘赌法的非线性排名选择,均匀交叉,变异操作,而且还引入了倒位操作!function BestPop,Trace=fga(FUN,LB,UB,eranum,popsize,pCross,pMutation,pInversion,options)%BestPop,Trace=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation)%Finds a maximum of a functio
5、n of several variables.%fmaxga solves problems of the form:%max F(X)subject to:LB=X=UB%BestPop -最优的群体即为最优的染色体群%Trace -最佳染色体所对应的目标函数值%FUN -目标函数%LB -自变量下限%UB -自变量上限%eranum -种群的代数,取 100-1000(默认 200)%popsize -每一代种群的规模；此可取50-200(默认 100)%pcross -交叉概率,一般取 0.5-0.85之间较好(默认 0.8)名师资料总结-精品资料欢迎下载-名师精心整理-第 3 页，共
6、18 页 -%pmutation -初始变异概率,一般取 0.05-0.2之间较好(默认 0.1)%pInversion -倒位概率,一般取 0.05 0.3 之间较好(默认 0.2)%options -1*2矩阵,options(1)=0二进制编码(默认0),option(1)=0十进制编%码,option(2)设定求解精度(默认 1e-4)%-T1=clock;if nargin0)error(数据输入错误,请重新输入(LBUB):);end s=sprintf(程序运行需要约%.4f 秒钟时间,请稍等.,(eranum*popsize/1000);disp(s);global m n N
7、ewPop children1 children2 VarNum bounds=LB;UB;bits=;VarNum=size(bounds,1);precision=options(2);%由求解精度确定二进制编码长度bits=ceil(log2(bounds(:,2)-bounds(:,1)./precision);%由设定精度划分区间Pop=InitPopGray(popsize,bits);%初始化种群m,n=size(Pop);NewPop=zeros(m,n);children1=zeros(1,n);children2=zeros(1,n);pm0=pMutation;BestP
8、op=zeros(eranum,n);%分配初始解空间 BestPop,Trace Trace=zeros(eranum,length(bits)+1);i=1;while i=eranum for j=1:m value(j)=feval(FUN(1,:),(b2f(Pop(j,:),bounds,bits);%计算适名师资料总结-精品资料欢迎下载-名师精心整理-第 4 页，共 18 页 -应度 end MaxValue,Index=max(value);BestPop(i,:)=Pop(Index,:);Trace(i,1)=MaxValue;Trace(i,(2:length(bits)
9、+1)=b2f(BestPop(i,:),bounds,bits);selectpop=NonlinearRankSelect(FUN,Pop,bounds,bits);%非线性排名选择CrossOverPop=CrossOver(selectpop,pCross,round(unidrnd(eranum-i)/eranum);%采用多点交叉和均匀交叉，且逐步增大均匀交叉的概率%round(unidrnd(eranum-i)/eranum)MutationPop=Mutation(CrossOverPop,pMutation,VarNum);%变异 InversionPop=Inversion
10、(MutationPop,pInversion);%倒位 Pop=InversionPop;%更新pMutation=pm0+(i4)*(pCross/3-pm0)/(eranum4);%随着种群向前进化，逐步增大变异率至1/2 交叉率 p(i)=pMutation;i=i+1;end t=1:eranum;plot(t,Trace(:,1);title(函数优化的遗传算法);xlabel(进化世代数(eranum);ylabel(每一代最优适应度(maxfitness);MaxFval,I=max(Trace(:,1);X=Trace(I,(2:length(bits)+1);hold on
11、;plot(I,MaxFval,*);text(I+5,MaxFval,FMAX=num2str(MaxFval);str1=sprintf(进化到%d 代,自变量为%s 时,得本次求解的最优值%fn对应染色体是：%s,I,num2str(X),MaxFval,num2str(BestPop(I,:);disp(str1);%figure(2);plot(t,p);%绘制变异值增大过程T2=clock;elapsed_time=T2-T1;if elapsed_time(6)0 elapsed_time(6)=elapsed_time(6)+60;elapsed_time(5)=elapsed
12、_time(5)-1;end if elapsed_time(5)1时,b(i)=mod(a(i-1)+a(i),2)%其中原二进制串:a(1)a(2).a(n),Gray串:b(1)b(2).b(n)initpop(i,:)=pop(1:end-1);end initpop(popsize,:)=ones(1,len);%The whole one encoding individual%解码function fval=b2f(bval,bounds,bits)%fval -表征各变量的十进制数%bval -表征各变量的二进制编码串%bounds-各变量的取值范围%bits -各变量的二进制
13、编码长度scale=(bounds(:,2)-bounds(:,1)./(2.bits-1);%The range of the variables numV=size(bounds,1);cs=0 cumsum(bits);for i=1:numV a=bval(cs(i)+1):cs(i+1);fval(i)=sum(2.(size(a,2)-1:-1:0).*a)*scale(i)+bounds(i,1);end%选择操作%采用基于轮盘赌法的非线性排名选择%各个体成员按适应值从大到小分配选择概率：%P(i)=(q/1-(1-q)n)*(1-q)i,其中 P(0)P(1).P(n),sum
14、(P(i)=1 function selectpop=NonlinearRankSelect(FUN,pop,bounds,bits)global m n selectpop=zeros(m,n);fit=zeros(m,1);for i=1:m fit(i)=feval(FUN(1,:),(b2f(pop(i,:),bounds,bits);%以函数值为适应值做排名依据名师资料总结-精品资料欢迎下载-名师精心整理-第 6 页，共 18 页 -end selectprob=fit/sum(fit);%计算各个体相对适应度(0,1)q=max(selectprob);%选择最优的概率x=zero
15、s(m,2);x(:,1)=m:-1:1;y x(:,2)=sort(selectprob);r=q/(1-(1-q)m);%标准分布基值newfit(x(:,2)=r*(1-q).(x(:,1)-1);%生成选择概率newfit=cumsum(newfit);%计算各选择概率之和rNums=sort(rand(m,1);fitIn=1;newIn=1;while newIn=m if rNums(newIn)newfit(fitIn)selectpop(newIn,:)=pop(fitIn,:);newIn=newIn+1;else fitIn=fitIn+1;end end%交叉操作fun
16、ction NewPop=CrossOver(OldPop,pCross,opts)%OldPop 为父代种群，pcross 为交叉概率global m n NewPop r=rand(1,m);y1=find(r=pCross);len=length(y1);if len2&mod(len,2)=1%如果用来进行交叉的染色体的条数为奇数，将其调整为偶数 y2(length(y2)+1)=y1(len);y1(len)=;end if length(y1)=2 for i=0:2:length(y1)-2 if opts=0 NewPop(y1(i+1),:),NewPop(y1(i+2),:
17、)=EqualCrossOver(OldPop(y1(i+1),:),OldPop(y1(i+2),:);else NewPop(y1(i+1),:),NewPop(y1(i+2),:)=MultiPointCross(OldPop(y1(i+1),:),OldPop(y1(i+2),:);end end 名师资料总结-精品资料欢迎下载-名师精心整理-第 7 页，共 18 页 -end NewPop(y2,:)=OldPop(y2,:);%采用均匀交叉function children1,children2=EqualCrossOver(parent1,parent2)global n chi
18、ldren1 children2 hidecode=round(rand(1,n);%随机生成掩码crossposition=find(hidecode=1);holdposition=find(hidecode=0);children1(crossposition)=parent1(crossposition);%掩码为 1，父 1 为子 1提供基因children1(holdposition)=parent2(holdposition);%掩码为 0，父 2 为子 1 提供基因children2(crossposition)=parent2(crossposition);%掩码为 1，父
19、2 为子 2提供基因children2(holdposition)=parent1(holdposition);%掩码为 0，父 1 为子 2 提供基因%采用多点交叉，交叉点数由变量数决定function Children1,Children2=MultiPointCross(Parent1,Parent2)global n Children1 Children2 VarNum Children1=Parent1;Children2=Parent2;Points=sort(unidrnd(n,1,2*VarNum);for i=1:VarNum Children1(Points(2*i-1):
20、Points(2*i)=Parent2(Points(2*i-1):Points(2*i);Children2(Points(2*i-1):Points(2*i)=Parent1(Points(2*i-1):Points(2*i);end%变异操作function NewPop=Mutation(OldPop,pMutation,VarNum)global m n NewPop r=rand(1,m);position=find(r=1 for i=1:len k=unidrnd(n,1,VarNum);%设置变异点数，一般设置1 点 for j=1:length(k)if OldPop(po
21、sition(i),k(j)=1 OldPop(position(i),k(j)=0;else OldPop(position(i),k(j)=1;名师资料总结-精品资料欢迎下载-名师精心整理-第 8 页，共 18 页 -end end end end NewPop=OldPop;%倒位操作function NewPop=Inversion(OldPop,pInversion)global m n NewPop NewPop=OldPop;r=rand(1,m);PopIn=find(r=1 for i=1:len d=sort(unidrnd(n,1,2);if d(1)=1&d(2)=n
22、NewPop(PopIn(i),1:d(1)-1)=OldPop(PopIn(i),1:d(1)-1);NewPop(PopIn(i),d(1):d(2)=OldPop(PopIn(i),d(2):-1:d(1);NewPop(PopIn(i),d(2)+1:n)=OldPop(PopIn(i),d(2)+1:n);end end end 用遗传算法优化BP 神经网络的Matlab 编程实例2007/04/28 23:09 此文章首次在simwe公开发表，属于GreenSim团队原创作品，转载请注明！由于 BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab
23、 遗传算法工具箱。以下贴出的代码是为一个 19 输入变量，1 个输出变量情况下的非线性回归而设计的，如果要应名师资料总结-精品资料欢迎下载-名师精心整理-第 9 页，共 18 页 -用于其它情况，只需改动编解码函数即可。程序一：GA训练 BP权值的主函数function net=GABPNET(XX,YY)%-%GABPNET.m%使用遗传算法对 BP网络权值阈值进行优化，再用BP算法训练网络%-%数据归一化预处理nntwarn off XX=premnmx(XX);YY=premnmx(YY);%创建网络net=newff(minmax(XX),19,25,1,tansig,tansig,p
24、urelin,trainlm);%下面使用遗传算法对网络进行优化P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隐含层节点数S=R*S1+S1*S2+S1+S2;%遗传算法编码长度aa=ones(S,1)*-1,1;popu=50;%种群规模initPpp=initializega(popu,aa,gabpEval);%初始化种群gen=100;%遗传代数%下面调用 gaot 工具箱，其中目标函数定义为gabpEval x,endPop,bPop,trace=ga(aa,gabpEval,initPpp,1e-6 1 1,maxGenTerm,gen,.no
25、rmGeomSelect,0.09,arithXover,2,nonUnifMutation,2 gen 3);%绘收敛曲线图figure(1)plot(trace(:,1),1./trace(:,3),r-);hold on plot(trace(:,1),1./trace(:,2),b-);xlabel(Generation);ylabel(Sum-Squared Error);figure(2)plot(trace(:,1),trace(:,3),r-);hold on 名师资料总结-精品资料欢迎下载-名师精心整理-第 10 页，共 18 页 -plot(trace(:,1),trace
26、(:,2),b-);xlabel(Generation);ylabel(Fittness);%下面将初步得到的权值矩阵赋给尚未开始训练的BP网络W1,B1,W2,B2,P,T,A1,A2,SE,val=gadecod(x);net.LW2,1=W1;net.LW3,2=W2;net.b2,1=B1;net.b3,1=B2;XX=P;YY=T;%设置训练参数net.trainParam.show=1;net.trainParam.lr=1;net.trainParam.epochs=50;net.trainParam.goal=0.001;%训练网络net=train(net,XX,YY);程序
27、二：适应值函数function sol,val=gabpEval(sol,options)%val-the fittness of this individual%sol-the individual,returned to allow for Lamarckian evolution%options-current_generation load data2 nntwarn off XX=premnmx(XX);YY=premnmx(YY);P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隐含层节点数S=R*S1+S1*S2+S1+S2;%遗传算法编码长度
28、for i=1:S,x(i)=sol(i);end;W1,B1,W2,B2,P,T,A1,A2,SE,val=gadecod(x);程序三：编解码函数function W1,B1,W2,B2,P,T,A1,A2,SE,val=gadecod(x)load data2 nntwarn off 名师资料总结-精品资料欢迎下载-名师精心整理-第 11 页，共 18 页 -XX=premnmx(XX);YY=premnmx(YY);P=XX;T=YY;R=size(P,1);S2=size(T,1);S1=25;%隐含层节点数S=R*S1+S1*S2+S1+S2;%遗传算法编码长度%前 R*S1个编码
29、为 W1 for i=1:S1,for k=1:R,W1(i,k)=x(R*(i-1)+k);end end%接着的 S1*S2个编码（即第 R*S1个后的编码）为 W2 for i=1:S2,for k=1:S1,W2(i,k)=x(S1*(i-1)+k+R*S1);end end%接着的 S1个编码（即第 R*S1+S1*S2个后的编码）为 B1 for i=1:S1,B1(i,1)=x(R*S1+S1*S2)+i);end%接着的 S2个编码（即第 R*S1+S1*S2+S1 个后的编码）为 B2 for i=1:S2,B2(i,1)=x(R*S1+S1*S2+S1)+i);end%计算
30、 S1与 S2层的输出A1=tansig(W1*P,B1);A2=purelin(W2*A1,B2);%计算误差平方和SE=sumsqr(T-A2);val=1/SE;%遗传算法的适应值matlab 遗传算法工具箱函数及实例讲解（转引）2007-08-16 19:44 核心函数：(1)function pop=initializega(num,bounds,eevalFN,eevalOps,options)-初始种群的生成函数【输出参数】pop-生成的初始种群名师资料总结-精品资料欢迎下载-名师精心整理-第 12 页，共 18 页 -【输入参数】num-种群中的个体数目bounds-代表变量的
31、上下界的矩阵eevalFN-适应度函数eevalOps-传递给适应度函数的参数options-选择编码形式(浮点编码或是二进制编码)precision F_or_B,如precision-变量进行二进制编码时指定的精度F_or_B-为 1 时选择浮点编码，否则为二进制编码,由 precision指定精度)(2)function x,endPop,bPop,traceInfo=ga(bounds,evalFN,evalOps,startPop,opts,.termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)-遗传算法
32、函数【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【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optsepsilon prob_ops display-opts(1:2)等同于 initializega的 options参数，第三个参数控制是否输出，一般为0。如 1e-6 1 0 termFN-终止函数的名称,如 maxGenTerm termOps-传递个终止函数的参数,如100 selectFN-选择函数的名称,如 normGeomSelect selectO
33、ps-传递个选择函数的参数,如0.08 xOverFNs-交叉函数名称表，以空格分开，如 arithXover heuristicXover simpleXover xOverOps-传递给交叉函数的参数表，如2 0;2 3;2 0 mutFNs-变异函数表，如 boundaryMutation multiNonUnifMutation nonUnifMutation unifMutationmutOps-传递给交叉函数的参数表,如4 0 0;6 100 3;4 100 3;4 0 0 注意】matlab 工具箱函数必须放在工作目录下【问题】求f(x)=x+10*sin(5x)+7*cos(4
34、x)的最大值，其中0=x=9 【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08 【程序清单】%编写目标函数functionsol,eval=fitness(sol,options)x=sol(1);eval=x+10*sin(5*x)+7*cos(4*x);名师资料总结-精品资料欢迎下载-名师精心整理-第 13 页，共 18 页 -%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega(10,0 9,fitness);%生成初始种群，大小为10 x endPop,bPop,trace=ga(0
35、 9,fitness,initPop,1e-6 1 1,maxGenTerm,25,normGeomSelect,.0.08,arithXover,2,nonUnifMutation,2 25 3)%25次遗传迭代运算借过为：x=7.8562 24.8553(当 x 为 7.8562 时，f（x）取最大值24.8553)注：遗传算法一般用来取得近似最优解，而不是最优解。遗传算法实例2 【问题】在 5=Xibest.max_f advance_k=advance_k+1;x_better(advance_k)=fitness.x;best.max_f=max(f);best.popus=popu
36、s;best.x=fitness.x;end if mod(advance_k,SPEEDUP_INTER)=0 RANGE=minmax(x_better);RANGE advance=0;end 名师资料总结-精品资料欢迎下载-名师精心整理-第 15 页，共 18 页 -end return;function popus=init%初始化M=50;%种群个体数目N=30;%编码长度popus=round(rand(M,N);return;function fitness=fit(popus,RANGE)%求适应度M,N=size(popus);fitness=zeros(M,1);%适应度
37、f=zeros(M,1);%函数值A=RANGE(1);B=RANGE(2);%初始取值范围 0 255 for m=1:M x=0;for n=1:N x=x+popus(m,n)*(2(n-1);end x=x*(B-A)/(2N)+A;for k=1:5 f(m,1)=f(m,1)-(k*sin(k+1)*x+k);end end f_std=(f-min(f)./(max(f)-min(f);%函数值标准化fitness.f=f;fitness.f_std=f_std;fitness.x=x;return;function picked=choose(popus,fitness)%选择
38、f=fitness.f;f_std=fitness.f_std;M,N=size(popus);choose_N=3;%选择 choose_N对双亲picked=zeros(choose_N,2);%记录选择好的双亲p=zeros(M,1);%选择概率d_order=zeros(M,1);%把父代个体按适应度从大到小排序f_t=sort(f,descend);%将适应度按降序排列for k=1:M x=find(f=f_t(k);%降序排列的个体序号 d_order(k)=x(1);end for m=1:M popus_t(m,:)=popus(d_order(m),:);名师资料总结-精品
39、资料欢迎下载-名师精心整理-第 16 页，共 18 页 -end popus=popus_t;f=f_t;p=f_std./sum(f_std);%选择概率c_p=cums um(p);%累积概率for cn=1:choose_N picked(cn,1)=roulette(c_p);%轮盘赌 picked(cn,2)=roulette(c_p);%轮盘赌 popus=intercross(popus,picked(cn,:);%杂交end popus=aberrance(popus,picked);%变异return;function popus=intercross(popus,picke
40、d)%杂交M_p,N_p=size(picked);M,N=size(popus);for cn=1:M_p p(1)=ceil(rand*N);%生成杂交位置 p(2)=ceil(rand*N);p=sort(p);t=popus(picked(cn,1),p(1):p(2);popus(picked(cn,1),p(1):p(2)=popus(picked(cn,2),p(1):p(2);popus(picked(cn,2),p(1):p(2)=t;end return;function popus=aberrance(popus,picked)%变异P_a=0.05;%变异概率M,N=s
41、ize(popus);M_p,N_p=size(picked);U=rand(1,2);for kp=1:M_p if U(2)=P_a%如果大于变异概率，就不变异 continue;end if U(1)=0.5 a=picked(kp,1);else a=picked(kp,2);end p(1)=ceil(rand*N);%生成变异位置 p(2)=ceil(rand*N);名师资料总结-精品资料欢迎下载-名师精心整理-第 17 页，共 18 页 -if popus(a,p(1)=1%0 1变换 popus(a,p(1)=0;else popus(a,p(1)=1;end if popus(a,p(2)=1 popus(a,p(2)=0;else popus(a,p(2)=1;end end return;function picked=roulette(c_p)%轮盘赌M,N=size(c_p);M=max(M N);U=rand;if Uc_p(m)&Uc_p(m+1)picked=m+1;break;end end 全方位的两点杂交、两点变异的改进的加速遗传算法（IAGA）名师资料总结-精品资料欢迎下载-名师精心整理-第 18 页，共 18 页 -