遗传算法学习总结

遗传算法是一种优化算法，实质是通过群体搜索，根据适者生存的原则进行逐代进化，最终得到最优解。

实现方法：
1.根据具体问题找到可行解的取值范围，类似于x∈(a,b)，确定一种编码方式，通过数值串或字符串的方式表示每个可行解
2.确定适应度函数fitness（非负函数）,用于判断每个解的好坏
3.确定进化的相关参数，种群规模、交叉概率、变异概率、进化终止条件（最大代数等）。

模型求解及算法
step1.设定参数：
种群大小：M=50
最大代数：G=1000
交叉率：Pc=1（交叉概率为1，保证种群充分进化）
变异率：Pm=0.1（变异发生可能性尽可能小）
step2.确定可行解的编码方式
step3.确定初始种群（可采用改良圈法求得一个较好的初始种群）
step4.确定目标函数（适应度函数）
step5.交叉操作
step6.变异操作
step7.选择（选择目标函数值最小的M个个体进化到下一代，保证父代的优良特性被遗传下来）

遗传算法求解一维无约束优化问题
matlab程序（网上找的，感觉很好用）

function [xv,fv] = myGA(fitness, a, b, M, G, Pc, Pm, eps)  %   用遗传算法求解一维无约束优化问题  %   待优化的目标函数 fitness  %   自变量下界 a   %   自变量上界 b   %   种群个体数 M  %   最大进化代数 G  %   杂交概率　Pc  %   变异概率 Pm  %   自变量离散精度 eps  %   目标变量取最大值时自变量的值: xm  %   目标函数的最大值 fv  %  %   Example:  %       function F = fitness(x)  %       F = x^3-60*x^2+900*x+100;     %   -------------------------------  %       [xv,fv] = myGA(@fitness,0, 30, 50, 100, 0.9, 0.04, 0.01);  %   --------------------------------------------------  %       xv = 10  %       fv = 4100  %  %   本程序在《精通MATLAB最优化计算》页315程序的基础上修改  L = ceil(log2((b-a) / eps + 1));                %编码长度  x = zeros(M, L);                               %种群  nx = zeros(size(x));                            %滚动数组  fx = zeros(M, 1);                              %适应度  for i = 1:M      x(i,:) = Initial(L);  end  fv = -inf;  for k = 1 : G      for i = 1 : M          fx(i) = fitness(Dec(a, b, x(i, :), L));          if (fx(i) > fv)              xv = Dec(a, b, x(i, :), L);              fv = fx(i);          end      end      sumfx = sum(fx);      Px = fx / sumfx;      PPx = zeros(M, 1);      PPx(1) = Px(1);                                 %概率叠加      for i = 2 : M          PPx(i) = PPx(i - 1) + Px(i);      end      selFather = 0;      for i = 1 : M          sita = rand();          for j = 1 : M              if (sita <= PPx(j))                  selFather = j;                      %使用轮盘赌法进行选择父亲                  break;              end          end          selMother = floor(rand() * M) + 1;         %母亲随机选择          posCut = floor(rand() * (L - 1)) + 1;       %交叉点          r1 = rand();          if (r1 <= Pc)              nx(i, 1 : posCut) = x(selFather, 1:posCut);              nx(i, (posCut + 1) : L) = x(selMother, (posCut + 1) : L);              r2 = rand();              if (r2 <= Pm)                  posMut = floor(rand() * L) + 1;                  nx(i, posMut) = ~nx(i, posMut);              end          else              nx(i, :) = x(selFather, :);          end      end      x = nx;  end  %--------------------------------------------------------  %   初始化种群  function  result = Initial(length)  result = zeros(size(length()));  for i = 1 : length      r = rand();      result(i) = round(r);  end  %----------------------------------------------------------  %   编码转换  function y = Dec(a, b, x, L)  base = 2 .^ ((L - 1) : -1: 0);  y = dot(base, x);  y = a + y * (b - a) / (2 ^ L - 1);

当然如果matlab里有遗传工具箱gatool可以交互式操作就更方便些