标签：num cost generation iter 源码 Matlab new 遗传算法 parameter
1 简介
2 部分代码
clear all
clc
close all
%% 参数
parameter.nvar = 2;
parameter.xmin = -1;
parameter.xmax = 1;
parameter.m = 50;
parameter.k = 15;%控制适配值之间差异的常数
parameter.num_part =10;
itermax = 2000;
crossover_probability = 0.5;
mutation_probability = 0.001;
num_part = parameter.num_part;
nvar = parameter.nvar;
xmin = parameter.xmin;
xmax = parameter.xmax;
m = parameter.m;
%% 初始化
generation = repmat([], num_part, 1);
for i = 1:num_part
generation(i).x_bi = randi([0,1],1,parameter.nvar*parameter.m);%随机初始
generation(i).cost = my_obj(generation(i).x_bi,parameter);
end
generation_new =generation;
dert_mean_cost = 1;
iter = 1;
while(dert_mean_cost>1e-10&&iter<=itermax)
generation = generation_new;
%% 复制选择
[cost_sort index] = sort([generation.cost]');
generation_sort = generation(index);%从小到大 对应
for i = 1:num_part
fitness(i) = parameter.k*(num_part-i)/num_part;
end
fitness_percent = fitness/sum(fitness);
[generation_selet] = percent_select(generation_sort,fitness,parameter);
%% 交叉
[generation_cross] = crossover(generation_selet,crossover_probability,parameter);
%% 变异，
[generation_new] = mutation(generation_cross,mutation_probability,parameter);
best(iter).cost = 10;
for i = 1:num_part
generation_new(i).cost = my_obj(generation_new(i).x_bi,parameter);
if generation_new(i).cost< best(iter).cost
best(iter).cost = generation_new(i).cost;
best(iter).x_bi = generation_new(i).x_bi;
end
%-------------------------------
x_obj =generation_new(i).x_bi;
b(1) = bi2de(x_obj(1:m));
b(2) = bi2de(x_obj(m+1:nvar*m));
x = xmin + b*(xmax-xmin)/(2^m-1);
tempX(iter,i) =x(1);
tempY(iter,i) =x(2);
%-------------------
end
meancost(iter) = mean([generation_new.cost]);
disp(['Iteration ' num2str(iter) '| mean cost ' num2str(meancost(iter)) '| best_cost ' num2str(best(iter).cost)]);
if iter==1
dert_mean_cost = 1;
else
dert_mean_cost = abs(meancost(iter) - meancost(iter-1));
end
iter = iter + 1;
end
disp('平均最优值')
meanobj = meancost(iter-1)
disp('全局最优值')
bestobj = best(iter-1).cost
disp('最优值对应自变量')
nvar = parameter.nvar;
xmin = parameter.xmin;
xmax = parameter.xmax;
m = parameter.m;
x_obj = best(iter-1).x_bi;
b(1) = bi2de(x_obj(1:m));
b(2) = bi2de(x_obj(m+1:nvar*m));
x = xmin + b*(xmax-xmin)/(2^m-1)
%% 画优化曲线
figure(2)
plot(1:iter-1,[best.cost]);
title('最优个体适配值曲线');
figure(3)
plot(1:iter-1,meancost(1:iter-1));
title('平均适配值曲线');
3 仿真结果
4 参考文献
[1]刘鲭洁,陈桂明,杨旗. "基于Matlab工具的遗传算法求解有约束最优化问题." 兵工自动化 27.11(2008):2.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。
标签：num,cost,generation,iter,源码,Matlab,new,遗传算法,parameter 来源： https://blog.csdn.net/qq_59747472/article/details/122825674
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。