一、简介
遗传算法的应用步骤
遗传算法GA是基于进化和遗传理论而提出来的全局寻优方法。
简单遗传算法解决问题的基本步骤如下：
（1）初始化：随机生成N个个体作为初始群体P(0)，该种群就是目标函数可行解的一个集合。设置进化代数计数器归零，设置最大进化代数iter_max；
（2）个体评价：将初始种群代入目标函数中，根据适应度函数计算当前群体中各个种群的适应度；
（3）终止条件判断：给出终止条件，判断算法是否满足终止条件，若满足则转到（8）；
（4）选择运算：对初始群体执行选择操作，优良的个体被大量复制，劣质的个体复制的少甚至被淘汰；
（5）交叉运算：以交叉概率来进行交叉运算；
（6）变异运算：以变异概率来进行交叉运算；
（7）群体P(t)经过选择运算、交叉运算、变异运算之后，得到由N个新个体构成的下一代群体P(t+1)，则转（2），否则转（4）；
（8）不断的进化，最终会得到目标函数中，适应度最高的个体，将其作为问题的最优解或满意解输出，终止计算。
二、源代码
clcclear%-------------------------------基于遗传算法的资源配置主函数-----------------------------%参数定义maxgen=200;%进化代数，即迭代次数sizepop=10; %种群规模%AimFunc=StrAimFunc; %目标函数(本算法以目标函数值为适应度)%fselect='roulette'; %染色体的选择方法，您可以选择：锦标赛法－ 'tournament';轮盘赌法－'roulette'%fcode='float'; %编码方法，您可以选择：浮点法－'float';grey法则－－'grey';二进制法－'binary' pcross=[0.7]; %交叉概率选择，0和1之间%fcross='float'; %交叉方法选择，您可以选择： 浮点交叉－'float';单点交叉－'simple';均匀交叉－'uniform'pmutation=[0.1];%变异概率选择，0和1之间%fmutation='float'; %变异方法选择，您可以选择：浮点法－'float';单点法－'simple';lenchrom=[15];%每个变量的字串长度，如果是浮点变量，则长度都为1for i=1:sizepop%随机产生一个种群individuals.chrom(i,:)=Code(lenchrom); %编码（binary和grey的编码结果为一个实数，float的编码结果为一个实数向量）%x=Decode(lenchrom,bound,individuals.chrom(i,:),fcode);%解码（binary和grey的解码结果为一个二进制串，float的解码结果为一个实数向量）%计算适应度%修改处%individuals.fitness(i)=AimFunc(x,heli,id_data,0);[individuals.fitness(i),T(i),Q(i),C(i),R(i)]=fitness(individuals.chrom(i,:)); %染色体的适应度end%找最好的染色体[bestfitness bestindex]=max(individuals.fitness);bestchrom=individuals.chrom(bestindex,:); %最好的染色体Tbest=T(bestindex);Qbest=Q(bestindex);Cbest=C(bestindex);Rbest=R(bestindex);avgfitness=sum(individuals.fitness)/sizepop; %染色体的平均适应度trace=[avgfitness bestfitness,Tbest,Qbest,Cbest,Rbest];kbest=1;% % 进化开始for i=1:maxgeni% 选择individuals=Select(individuals,sizepop); avgfitness=sum(individuals.fitness)/sizepop;%交叉individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop);% 变异individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop);% 计算适应度 for jj=1:sizepop[individuals.fitness(jj),T(jj),Q(jj),C(jj),R(jj)]=fitness(individuals.chrom(jj,:)); end%找到最小和最大适应度的染色体及它们在种群中的位置[newbestfitness,newbestindex]=max(individuals.fitness);[worestfitness,worestindex]=min(individuals.fitness);% 代替上一次进化中最好的染色体if bestfitness<newbestfitnessbestfitness=newbestfitness;bestchrom=individuals.chrom(newbestindex,:);Tbest=T(newbestindex);Qbest=Q(newbestindex);Cbest=C(newbestindex);Rbest=R(newbestindex);kbest=i;endindividuals.chrom(worestindex,:)=bestchrom;individuals.fitness(worestindex)=bestfitness;avgfitness=sum(individuals.fitness)/sizepop;trace=[trace;avgfitness bestfitness,Tbest,Qbest,Cbest,Rbest]; %记录每一代进化中最好的适应度和平均适应度end%画出适应度曲线figure(1);[r c]=size(trace);plot([1:r]',trace(:,2));title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]);xlabel('进化代数');ylabel('适应度');axis([1,maxgen,240,320])该函数用于对个体进行变异%pmutation:变异概率 lenchrom:个体长度 chrom:种群 sizepop:种群规模%ret:变异后的种群function ret=Mutation(pmutation,lenchrom,chrom,sizepop)for i=1:sizepop%判断是否变异pick=rand;if pick>pmutationcontinue;endpick=rand;if pick==0pick=rand;endindex=ceil(pick*sizepop); %变异位置pos=ceil(pick*lenchrom); %选择变异位置if chrom(index,pos)==0chrom(index,pos)=1;elsechrom(index,pos)=0;end
三、运行结果
四、matlab版本及参考文献
1 matlab版本
a
2 参考文献
《智能优化算法及其MATLAB实例（第2版）》包子阳 余继周 杨杉著 电子工业出版社
