matlab怎么找出奇数个数_工程优化设计与Matlab实现——十进制编码遗传算法

最新推荐文章于 2023-08-23 08:52:32 发布

原创最新推荐文章于 2023-08-23 08:52:32 发布 · 923 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#matlab怎么找出奇数个数

本文介绍了十进制编码的遗传算法在解决多维问题中的应用，具体阐述了Arithmetic交叉算法和变异算法的实现过程，并在Matlab环境下进行了二维Rastrigin测试函数极小值的求解。然而，遗传算法存在早熟现象，可能导致仅找到局部最优解。通过调整参数和策略，可以缓解这一问题，以提高全局搜索性能。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

十进制编码的遗传算法，实际上就是直接使用实数来进行交叉和变异计算。

十进制编码遗传算法

由于我们的数据本身就是用十进制表示的，所以十进制编码相当于不编码。

相应的，我们的交叉方法与变异方法也要针对十进制做出相应改变。

以下改变都是在混合遗传算法的基础上作出的。工程优化设计与Matlab实现——混合遗传算法求解多维问题

Part 1 Arith交叉算法

对染色体x1与x2进行交叉操作，方法如下：

由于在交叉之前已经“洗牌”，所以对相邻两个染色体交叉相当于对任取的两个染色体交叉。

%**********************************************************************%
%*********************相邻两个染色体Arith交叉算法函**********************%
%**********************************************************************%
function X = Cross(n_Population, X, pc)
    if mod(n_Population ,2) == 0
        cross_num = n_Population;        %如果个体数为偶数，参与交叉个体数为全部个体数
    else
        cross_num = n_Population - 1;    %如果个体数为奇数，参与交叉个体数为全部个体数-1，,最后一个不参与交叉
    end
    for i = 1:2:cross_num
        hand_of_god = rand;            %上帝之手随机做选择
        if hand_of_god < pc            %如果上帝手小于交叉概率pc，就进行交叉，否则不交叉
            Cross_Temp_1 = X(:, i);
            Cross_Temp_2 = X(:, i+1);
            r = rand;
            X(:, i) = r * Cross_Temp_1 + (1 - r) * Cross_Temp_2;
            X(:, i+1) = r * Cross_Temp_2 + (1 - r) * Cross_Temp_1;
        end
    end
end

Part 2 变异算法

对染色体x1进行变异操作，方法如下：

相当于在x1与下界之间任取一个新x1。这就导致如果变异概率过大，导致变异的次数过多，会使所有种群所有个体向下界靠近。

%**********************************************************************%
%****************************变异函数****************************%
%**********************************************************************%
 function X = mutate(n_Population, lb, X, pm)
    for i = 1:n_Population
        hand_of_god = rand;            %上帝之手随机做选择
        if hand_of_god < pm            %如果上帝手小于变异概率pc，就进行变异，否则不变异
            X(:, i) = lb + (X(:, i) - lb) * rand;    %变异
        end
    end
 end

Part 3 一些问题

遗传算法早熟现象十分明显，导致很多时候只找到了局部最优解就结束迭代。

Part 4 栗子

利用十进制混合遗传算法，求2维Rastrigin测试函数的极小值点

目标函数定义：

function f = func(x)
    D = 2;
    f = 0;
    for i = 1 : D
        f = f+(x(i)^2-10*cos(2*pi*x(i)));
    end 
    f = 10 * D + f;

十进制混合遗传算法定义：

%----------求函数极小值----------%
clc;
clear all;
close all;
%----------设置参数----------%
n_Population = 20;    %种群个体数目
ub = [5.12; 5.12];        %给定上界
lb = [-5.12; -5.12];      %给定下界

Chromosome = 2;      %染色体个数
E = 0.0001;          %给定精度要求
pc = 0.8;            %交叉概率
pm = 0.001;            %变异概率
n_loop_max = 500;     %最大迭代次数

%----------一些矩阵说明----------%
X = zeros(Chromosome, n_Population)*nan;               %X为种群染色体矩阵，Chromosome行n_Population列

X_Fitness = zeros(1, n_Population)*nan;               %X_Fitness适应度矩阵，Chromosome行n_Population列
Possibility = zeros(1, n_Population)*nan;             %Possibility累积概率概率矩阵，1行n_Population列

History_X1 = zeros(n_loop_max, n_Population)*nan;      %染色体1矩阵历史记录，最终为n_loop_max+1行n_Population列
History_X2 = zeros(n_loop_max, n_Population)*nan;      %染色体2矩阵历史记录，最终为n_loop_max+1行n_Population列

History_FX = zeros(n_loop_max, n_Population)*nan;      %X为函数值矩阵历史记录，最终为n_loop_max+1行n_Population列
History_X_Fitness = zeros(n_loop_max, n_Population)*nan; %X为适应度矩阵历史记录，最终为n_loop_max行n_Population列

for n_loop = 1:n_loop_max
    if n_loop == 1
        X = X_init(Chromosome, n_Population,lb,ub);           %种群初始化
    end
    
    %将当前种群状态存储进历史记录
    History_X1(n_loop, :) = X(1, :);                     %存储当前染色体1
    History_X2(n_loop, :) = X(2, :);                     %存储当前染色体2
    History_FX(n_loop, :) = GetFunction(n_Population, X);                     %储存当前函数值
    History_X_Fitness(n_loop, :) = GetFitness(n_Population, X);   %储存适应度值
   
    fprintf('第%d次迭代n',n_loop)
    fprintf('初始种群：')
    display(X)

    %洗牌（打乱顺序）
    shuffle = randperm(n_Population);
    for i = 1:Chromosome
        X = X(:,shuffle);
    end
        
    %交叉
    for i = 1:Chromosome
        X = Cross(n_Population, X, pc);
    end
    
    %变异
    for i = 1:Chromosome
        X = mutate(n_Population, lb, X, pm);
    end
    
    %选择
    [X, x_fitness_max] = Select(n_Population, X, E);
    fprintf('选择后的新种群：')
    display(X)
    
    if x_fitness_max <= E          %如果最大的适应度函数小于精度（最大函数值与最小函数值差距特别小）则退出迭代
         break
    end   
end

History_X1(n_loop+1, :) = X(1, :);                     %存储当前染色体1
History_X2(n_loop+1, :) = X(2, :);                     %存储当前染色体2
History_FX(n_loop+1, :) = GetFunction(n_Population, X);                    %储存当前函数值
History_X_Fitness(n_loop+1, :) = GetFitness(n_Population, X);              %储存适应度值

X_Function = GetFunction(n_Population, X);       %计算当前函数值
[min_f, min_x_position] = min(X_Function);       %找出最小函数值
min_x = X(:, min_x_position);                    %找到最小函数值对应的个体

%**********************打印结果**********************%
fprintf('二进制编码混合遗传算法：n')
fprintf('****************参数设置****************n')
fprintf('种群个体数目: %dn', n_Population)
fprintf('给定上界: %f %f     给定下界： %f %fn', ub, lb)
fprintf('精度为：  %fn', E)
fprintf('交叉概率: %fn', pc)
fprintf('变异概率: %fn', pm)
fprintf('最大迭代次数: %dn', n_loop_max)
fprintf('****************迭代结果****************n')
fprintf('共迭代 %d 次n', n_loop)
fprintf('极小值点为： %fn', min_x)
fprintf('极小值为： %fn', min_f)
fprintf('****************************************n')
fprintf('endn')
                                                                          
%**********************************************************************%
%****************************种群X初始化函数****************************%
%**********************************************************************%
function X = X_init(Chromosome, n_Population, lb, ub)
    for n = 1: Chromosome
        for i = 1:n_Population               %随机生成位于上下界内的种群
            X(n, i) = lb(n) + rand * (ub(n) - lb(n));
            if X(n, i) > ub(n)        %如果圆整后超过上界则纠正到上界
                X(n, i) = ub(n);
            elseif X(n, i) < lb(n)    %如果圆整后超过下界则纠正到下界
                X(n, i) = lb(n);
            end
        end
    end
end


%**********************************************************************%
%****************************计算函数值函数****************************%
%**********************************************************************%
function X_Function = GetFunction(n_Population, X)
    for i = 1:n_Population
        X_Function(i) = func(X(:, i));
    end
end

%**********************************************************************%
%****************************计算适应度函数****************************%
%**********************************************************************%
function X_Fitness = GetFitness(n_Population, X)
    X_Function = GetFunction(n_Population, X);         %调用计算函数值函数
    max_x_function = max(X_Function);
    for i = 1:n_Population
        X_Fitness(i) = max_x_function - X_Function(i);
    end
end

%**********************************************************************%
%*********************相邻两个染色体Arith交叉算法函**********************%
%**********************************************************************%
function X = Cross(n_Population, X, pc)
    if mod(n_Population ,2) == 0
        cross_num = n_Population;        %如果个体数为偶数，参与交叉个体数为全部个体数
    else
        cross_num = n_Population - 1;    %如果个体数为奇数，参与交叉个体数为全部个体数-1，,最后一个不参与交叉
    end
    for i = 1:2:cross_num
        hand_of_god = rand;            %上帝之手随机做选择
        if hand_of_god < pc            %如果上帝手小于交叉概率pc，就进行交叉，否则不交叉
            Cross_Temp_1 = X(:, i);
            Cross_Temp_2 = X(:, i+1);
            r = rand;
            X(:, i) = r * Cross_Temp_1 + (1 - r) * Cross_Temp_2;
            X(:, i+1) = r * Cross_Temp_2 + (1 - r) * Cross_Temp_1;
        end
    end
end

%**********************************************************************%
%****************************变异函数****************************%
%**********************************************************************%
 function X = mutate(n_Population, lb, X, pm)
    for i = 1:n_Population
        hand_of_god = rand;            %上帝之手随机做选择
        if hand_of_god < pm            %如果上帝手小于变异概率pc，就进行变异，否则不变异
            X(:, i) = lb + (X(:, i) - lb) * rand;    %变异
        end
    end
 end

%**********************************************************************%
%********************************选择函数********************************%
%**********************************************************************%
function [X, x_fitness_max] = Select(n_Population, X, E)
    X_Function = GetFunction(n_Population, X);              %求当前函数值
    [~, x_best_position] = min(X_Function);                 %最小函数值索引
    x_best = X(:, x_best_position);                         %找到最小函数值对应的个体
    X_Fitness = GetFitness(n_Population, X);                %求当前适应度值
    x_fitness_max = max(X_Fitness);                         %适应度函数值中最大的，即当前种群最大适应度
        if x_fitness_max > E
            fitness_sum = sum(X_Fitness);                          %适应度求和
            Possibility = cumsum(X_Fitness / fitness_sum);         %根据适应度计算，X_Fitness / fitness_Sum是被选择到的概率，Possibility为累积概率
            for i = 1:(n_Population - 1)                           %n_Population选n_Population-1，可重复选（就算全选了一样的也没关系，后面还有变异）
                hand_of_god = rand;                                %“上帝之手”转动轮盘，皮一下好开心
                for ii = 1:n_Population
                    if hand_of_god < Possibility(ii)
                        Temp_X(:,i) = X(:,ii);                     %Temp_X为临时存储选择到的值的矩阵
                        break
                    end
                end
            end
        end
        [~, max_x_position] = max(X_Fitness);                 %找出最大适应度
        Temp_X(:, n_Population) = X(:, max_x_position);
        X = Temp_X;                                           %得到选择后的种群
end

计算结果：