遗传算法的经典案例.docx
- 文档编号:30072635
- 上传时间:2023-08-04
- 格式:DOCX
- 页数:20
- 大小:20.86KB
遗传算法的经典案例.docx
《遗传算法的经典案例.docx》由会员分享,可在线阅读,更多相关《遗传算法的经典案例.docx(20页珍藏版)》请在冰豆网上搜索。
遗传算法的经典案例
题目:
通信网络链路容量和流量优化遗传算法MATLAB源码
function[Zp,Xp,Yp,LC1,LC2]=GACFA(M,N,Pm)
%--------------------------------------------------------------------------
%GACFA.m
%GeneticAlgorithmforCapacityandFlowAssignment
%链路容量和流量优化分配的遗传算法
%GreenSim团队原创作品,转载请注明
%更多原创代码,请访问GreenSim团队主页:
%算法设计、代写程序,欢迎访问GreenSim——算法仿真团队→
%函数功能
%使用遗传算法求解通信网链路容量和流量联合优化分配问题
%--------------------------------------------------------------------------
%参考文献
%叶大振,吴新余.基于遗传算法的计算机通信网优化设计[J].
%南京邮电学院学报.1996,16
(2):
9-15
%--------------------------------------------------------------------------
%输入参数列表
%M遗传进化迭代次数
%N种群规模(取偶数)
%Pm变异概率
%--------------------------------------------------------------------------
%输出参数列表
%Zp目标函数最优值
%Xp路由选择决策变量最优值
%Yp线路型号决策变量最优值
%LC1收敛曲线1,各代最优个体适应值的记录
%LC2收敛曲线2,各代群体平均适应值的记录
%--------------------------------------------------------------------------
%第一步:
载入数据和输出变量初始化
loadDATA_CFA;
Xp=zeros(14,1);
Yp=zeros(8,3);
LC1=zeros(1,M);
LC2=LC1;
%第二步:
随机产生初始种群
farm_X=zeros(14,N);
farm_Y=zeros(8,3*N);
fori=1:
N
forj=1:
2:
13
RAND=rand;
ifRAND>0.5
farm_X(j,i)=1;
else
farm_X(j+1,i)=1;
end
end
end
fori=1:
N
forj=1:
8
RAND=rand;
ifRAND<1/3
farm_Y(j,3*i-2)=1;
elseifRAND>2/3
farm_Y(j,3*i)=1;
else
farm_Y(j,3*i-1)=1;
end
end
end
counter=0;%设置迭代计数器
whilecounter %第三步: 交叉 newfarm_X=zeros(14,N); newfarm_Y=zeros(8,3*N); Ser=randperm(N); %对X做交叉 fori=1: 2: (N-1) A_X=farm_X(: Ser(i)); B_X=farm_X(: Ser(i+1)); cp=2*unidrnd(6); a_X=[A_X(1: cp);B_X((cp+1): end)]; b_X=[B_X(1: cp);A_X((cp+1): end)]; newfarm_X(: i)=a_X; newfarm_X(: i+1)=b_X; end %对Y做交叉 fori=1: 2: (N-1) A_Y=farm_Y(: (3*Ser(i)-2): (3*Ser(i))); B_Y=farm_Y(: (3*Ser(i+1)-2): (3*Ser(i+1))); cp=unidrnd(7); a_Y=[A_Y(1: cp,: );B_Y((cp+1): end,: )]; b_Y=[B_Y(1: cp,: );A_Y((cp+1): end,: )]; newfarm_Y(: (3*i-2): (3*i))=a_Y; newfarm_Y(: (3*i+1): (3*i+3))=b_Y; end %新旧种群合并 FARM_X=[farm_X,newfarm_X]; FARM_Y=[farm_Y,newfarm_Y]; %第四步: 选择复制 Ser=randperm(2*N); FITNESS=zeros(1,2*N); fitness=zeros(1,N); fori=1: (2*N) X=FARM_X(: i); Y=FARM_Y(: (3*i-2): (3*i)); FITNESS(i)=COST(X,Y,x1_x14,F_x1_x14,A,Q,C,S,b); end fori=1: N f1=FITNESS(Ser(2*i-1)); f2=FITNESS(Ser(2*i)); iff1 farm_X(: i)=FARM_X(: Ser(2*i-1)); farm_Y(: (3*i-2): (3*i))=FARM_Y(: (3*Ser(2*i-1)-2): (3*Ser(2*i-1))); fitness(i)=f1; else farm_X(: i)=FARM_X(: Ser(2*i)); farm_Y(: (3*i-2): (3*i))=FARM_Y(: (3*Ser(2*i)-2): (3*Ser(2*i))); fitness(i)=f2; end end %记录最佳个体和收敛曲线 minfitness=min(fitness); meanfitness=mean(fitness); LC1(counter+1)=minfitness; LC2(counter+1)=meanfitness; pos=find(fitness==minfitness); Xp=farm_X(: pos (1)); Yp=farm_Y(: (3*pos (1)-2): (3*pos (1))); Zp=minfitness; %第五步: 变异 fori=1: N ifPm>rand GT_X=farm_X(: i); GT_Y=farm_Y(: (3*i-2): (3*i)); pos1=2*unidrnd(7); ifGT_X(pos1)==1 GT_X(pos1-1)=1; GT_X(pos1)=0; farm_X(: i)=GT_X; elseifGT_X(pos1)==0 GT_X(pos1-1)=0; GT_X(pos1)=1; farm_X(: i)=GT_X; else end pos2=unidrnd(8); GT_Y(pos2,: )=zeros(1,3); GT_Y(pos2,unidrnd(3))=1; end end counter=counter+1 end Xp=Xp'; Yp=Yp'; %plot(LC1) %holdon plot(LC2) 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) %Findsamaximumofafunctionofseveralvariables. %fmaxgasolvesproblemsoftheform: %maxF(X)subjectto: 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) %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; ifnargin<3,error('FMAXGArequiresatleastthreeinputarguments');end ifnargin==3,eranum=200;popsize=100;pCross=0.8;pMutation=0.1;pInversion=0.15;options=[01e-4];end ifnargin==4,popsize=100;pCross=0.8;pMutation=0.1;pInversion=0.15;options=[01e-4];end ifnargin==5,pCross=0.8;pMutation=0.1;pInversion=0.15;options=[01e-4];end ifnargin==6,pMutation=0.1;pInversion=0.15;options=[01e-4];end ifnargin==7,pInversion=0.15;options=[01e-4];end iffind((LB-UB)>0) error('数据输入错误,请重新输入(LB '); end s=sprintf('程序运行需要约%.4f秒钟时间,请稍等......',(eranum*popsize/1000)); disp(s); globalmnNewPopchildren1children2VarNum 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; BestPop=zeros(eranum,n);%分配初始解空间BestPop,Trace Trace=zeros(eranum,length(bits)+1); i=1; whilei<=eranum forj=1: m value(j)=feval(FUN(1,: ),(b2f(Pop(j,: ),bounds,bits)));%计算适应度 end [MaxValue,Index]=max(value); BestPop(i,: )=Pop(Index,: ); Trace(i,1)=MaxValue; Trace(i,(2: length(bits)+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(MutationPop,pInversion);%倒位 Pop=InversionPop;%更新 pMutation=pm0+(i^4)*(pCross/3-pm0)/(eranum^4); %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)); holdon;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%f\n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; ifelapsed_time(6)<0 elapsed_time(6)=elapsed_time(6)+60;elapsed_time(5)=elapsed_time(5)-1; end ifelapsed_time(5)<0 elapsed_time(5)=elapsed_time(5)+60;elapsed_time(4)=elapsed_time(4)-1; end%像这种程序当然不考虑运行上小时啦 str2=sprintf('程序运行耗时%d小时%d分钟%.4f秒',elapsed_time(4),elapsed_time(5),elapsed_time(6)); disp(str2); TSP问题遗传算法matlab源程序(注释详细,经反复实验收敛速度快) %TSP问题(又名: 旅行商问题,货郎担问题)遗传算法通用matlab程序 %D是距离矩阵,n为种群个数,建议取为城市个数的1~2倍, %C为停止代数,遗传到第C代时程序停止,C的具体取值视问题的规模和耗费的时间而定 %m为适应值归一化淘汰加速指数,最好取为1,2,3,4,不宜太大 %alpha为淘汰保护指数,可取为0~1之间任意小数,取1时关闭保护功能,最好取为0.8~1.0 %R为最短路径,Rlength为路径长度 function[R,Rlength]=geneticTSP(D,n,C,m,alpha) [N,NN]=size(D); farm=zeros(n,N);%用于存储种群 fori=1: n farm(i,=randperm(N);%随机生成初始种群 end R=farm(1,;%存储最优种群 len=zeros(n,1);%存储路径长度 fitness=zeros(n,1);%存储归一化适应值 counter=0; whilecounter fori=1: n len(i,1)=myLength(D,farm(i,);%计算路径长度 end maxlen=max(len); minlen=min(len); fitness=fit(len,m,maxlen,minlen);%计算归一化适应值 rr=find(len==minlen); R=farm(rr(1,1),;%更新最短路径 FARM=farm;%优胜劣汰,nn记录了复制的个数 nn=0; fori=1: n iffitness(i,1)>=alpha*rand nn=nn+1; FARM(nn,=farm(i,; end end FARM=FARM(1: nn,; [aa,bb]=size(FARM);%交叉和变异 whileaa ifnn<=2 nnper=randperm (2); else nnper=randperm(nn); end A=FARM(nnper (1),; B=FARM(nnper (2),; [A,B]=intercross(A,B); FARM=[FARM;A;B]; [aa,bb]=size(FARM); end ifaa>n FARM=FARM(1: n,;%保持种群规模为n end farm=FARM; clearFARM counter=counter+1 end Rlength=myLength(D,R); function[a,b]=intercross(a,b) L=length(a); ifL<=10%确定交叉宽度 W=1; elseif((L/10)-floor(L/10))>=rand&&L>10 W=ceil(L/10); else W=floor(L/10); end p=unidrnd(L-W+1);%随机选择交叉范围,从p到p+W fori=1: W%交叉 x=find(a==b(1,p+i-1)); y=find(b==a(1,p+i-1)); [a(1,p+i-1),b(1,p+i-1)]=exchange(a(1,p+i-1),b(1,p+i-1)); [a(1,x),b(1,y)]=exchange(a(1,x),b(1,y)); end function[x,y]=exchange(x,y) temp=x; x=y; y=temp; %计算路径的子程序 functionlen=myLength(D,p) [N,NN]=size(D); len=D(p(1,N),p(1,1)); fori=1N-1) len=len+D(p(1,i),p(1,i+1)); end %计算归一化适应值子程序 functionfitness=fit(len,m,maxlen,minlen) fitness=len; fori=1: length(len) fitness(i,1)=(1-((len(i,1)-minlen)/(maxlen-minlen+0.000001))).^m; end %初始化种群 %采用二进制Gray编码,其目的是为了克服二进制编码的Hamming悬崖缺点 function[initpop]=InitPopGray(popsize,bits) len=sum(bits); initpop=zeros(popsize,len);%Thewholezeroencodingindividual fori=2: popsize-1 pop=round(rand(1,len)); pop=mod(([0pop]+[pop0]),2); %i=1时,b (1)=a (1);i>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);%Thewholeoneencodingindividual %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-各变量的二进制编码长度 scale=(bounds(: 2)-bounds(: 1))'./(2.^bits-1);%Therangeofthevariables numV=size(bounds,1); cs=[0cumsum(bits)]; fori=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(P(i))=1 function[selectpop]=NonlinearRankSelect(FUN,pop,bounds,bits) globalmn selectpop=zeros(m,n); fit=zeros(m,1); fori=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 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=zeros(m,2); x(: 1)=[m: -1: 1]'; [yx(: 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;new
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 遗传 算法 经典 案例