Introducción
Los buenos individuos reproducen la próxima generación (la probabilidad de elegir un cuerpo con una función de aptitud más alta es mayor, no del 100%)
Los pasos basicos
Codificación: el problema que se va a optimizar se describe en lenguaje matemático (x1, x2 en el espacio de la solución) y se asigna a los datos de la estructura de la cadena de genes en el espacio del algoritmo genético.
Los datos de la estructura de la cadena inicial se generan aleatoriamente.
Individuo: cada dato de la estructura de la cadena
Selección: La probabilidad de buenas características para la próxima generación será mayor.
Cruce: El nuevo individuo tiene una mayor probabilidad de conservar las características del padre, pero hay algunos cambios y
mutaciones: cada individuo tiene la oportunidad de realizar nuevos cambios. en variables locales, para asegurar la diversidad del espacio de solución
fitness.m
function [sol, fitnessVal] = fitness(sol, options)
x = sol(1);
fitnessVal = x + 10*sin(5*x)+7*cos(4*x);%最大值
%如果是求最小值fitnessVal = -1 * (x + 10*sin(5*x)+7*cos(4*x));
end
main.m
%% I. 清空环境变量
clear all %右侧
clc %下方
%% II. 绘制函数曲线
%可以先运行这一片段,看下最大值在什么位置
x = 0:0.01:9;
y = x + 10*sin(5*x)+7*cos(4*x);
figure
plot(x, y)
xlabel('自变量')
ylabel('因变量')
title('y = x + 10*sin(5*x) + 7*cos(4*x)')
%% III. 初始化种群
%如果是求最小值,就把目标函数变成1/y
initPop = initializega(50,[0 9],'fitness');%种群规模大小是50个;适应度函数值,目标函数就是适应度函数
%单独调试会形成initPop函数(50*2),第二列是第一列对应的适应度函数
%% IV. 遗传算法优化
[x, endPop, bpop, trace] = ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,...
'normGeomSelect',0.08,'arithXover',2,'nonUnifMutation',[2 25 3]);
%% V. 输出最优解并绘制最优点
x
plot (endPop(:,1),endPop(:,2),'ro')
hold on
%% VI. 绘制迭代进化曲线
figure(2)
plot(trace(:,1),trace(:,3),'b:')
hold on
plot(trace(:,1),trace(:,2),'r-')
xlabel('Generation'); ylabel('Fittness');
legend('Mean Fitness', 'Best Fitness')