数学建模学习（10）：遗传算法

遗传算法简介
• 遗传算法（Genetic Algorithms）是基于生物进化理论的原理发展起来的一种广为
应用的、高效的随机搜索与优化的方法。其主要特点是群体搜索策略和群体中个体之
间的信息交换，搜索不依赖于梯度信息。它是20世纪70年代初期由美国密执根
（Michigan）大学的霍兰（Holland）教授发展起来的。迄今为止，遗传算法是进
化算法中最广为人知的算法。
• 遗传算法主要在复杂优化问题求解和工业工程领域应用，取得了一些令人信服的成果，
所以引起了很多人的关注。遗传算法成功的应用包括：作业调度与排序、可靠性设计、
车辆路径选择与调度、成组技术、设备布置与分配、交通问题，等等。
遗传算法的特点
• 遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体。此操作使得遗传算法可以直接对结构对象
进行操作。
• 许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索
空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。
• 遗传算法基本上不用搜索空间的知识或其他辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操
作。适应度函数不仅不受连续可微的限制，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大
扩展了。
• 遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导搜索的方向。
• 具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索，适应度大的个体具有较高的
生存概率，并能获得更适应环境的基因结构

遗传算法中的基本概念
群体（population）：又称种群、染色体群，是个体（individual）的集合，代表问题的解空间子集。
串（string）及串空间：串是个体的表达形式，对应着遗传学中的染色体，对应实际问题的一个解。
群体规模（population size）：染色体群中个体的数目称为群体的大小或群体规模。
基因（gene）：是指染色体的一个片段，可以是一个数值、一组数或一串字符。
交换（crossover）：指在一定条件下两条染色体上的一个或几个基因相互交换位置。
交换概率：判断是否满足交换条件的一个小于1的阈值。
变异（mutation）：指在一定条件下随机改变一条染色体上的一个或几个基因值。
变异概率：判断是否满足变异条件的一个小于1的阈值。
后代：染色体经过交换或变异后形成的新的个体。
适应度（fittness）：用来度量种群中个体优劣（符合条件的程度）的指标值，它通常表现为数值形式。
选择（selection）：根据染色体对应的适应值和问题的要求，筛选种群中的染色体，染色体的适应度越高，保存下来的概率越大，反之则越小，甚至被淘汰。
遗传算法终止规则
给定一个最大的遗传代数MAXGEN，算法迭代在达到MAXGEN时停止。
当进化中两代最优个体小于要求的偏差x时，算法终止。
所有个体或者指定比例以上个体趋同，此时停止计算。
达到最大计算时间限制。
相关函数的语法
工具箱实现：

%plotobjective(@shufcn,[-2,2;-2,2]);
%目标函数
fun = @lincontest6;
%需要优化的函数变量的个数
number = 2;
%不等式约束
A = [1 1;-1 2;2 1];%线性不等式的约束条件
b = [2;2;3];%线性不等式的约束条件
%等式约束
Aeq = [];%系数
beq = [];%边界值
%边界约束
lb = zeros(2,1);%下边界
ub = [];%上边界
%非线性约束
%nonlcon
% % 定义约束函数
% function [c, ceq] = nonlcon(x)
%     c = [-(x(1) + x(2) - 1)]; % 不等式约束 x1 + x2 ≥ 1
%     ceq = []; % 没有等式约束，设为空
% end
[x,fval,exitflag,output] = ga(@lincontest6,2,A,b,Aeq,beq,lb,ub);
disp("最优的参数");
disp(x)
disp("最优值");
disp(fval)
disp("显示遗传代数");
disp(output.generations)
disp("显示调用目标函数的次数");
disp(output.funccount)

效果
Optimization terminated: average change in the fitness value less than options.FunctionTolerance.
最有的参数
0.6670 1.3340

Optimization terminated: maximum number of generations exceeded.
最优的参数
0.6670 1.3340

最优值
-8.2258

显示遗传代数
200

显示调用目标函数的次数
9453

数学建模学习（10）：遗传算法相关推荐

数学建模学习视频及资料集（2022.08.10）
2021高中数学建模(应用)能力展示活动细则详解(上) 2021高中数学建模(应用)能力展示活动细则详解(上)_哔哩哔哩_bilibili 2021高中数学建模(应用)能力展示活动细则详解(下) 20 ...
【数学建模学习笔记【集训十天】之第六天】
数模学习目录 Matplotlib 学习 Matplotlib简介 Matplotlib 散点图运行效果如下: Matplotlib Pyplot 运行效果如下: 关于plot() 运行效果如下: ...
数学建模学习笔记之评价问题聚类分析法
数学建模学习笔记之评价问题聚类分析法物以类聚.人以群分. 聚类分析是一个很大的概念,显然根据分类的依据不同会出现很多很多聚类的方法.例如K-Means .Sequential Leader.Mode ...
Python小白的数学建模课-10.微分方程边值问题
小白往往听到微分方程就觉得害怕,其实数学建模中的微分方程模型不仅没那么复杂,而且很容易写出高水平的数模论文. 本文介绍微分方程模型边值问题的建模与求解,不涉及算法推导和编程,只探讨如何使用 Pytho ...
数学建模学习交流论文写作课件
数学建模学习交流论文写作课件参考资料:数学建模清风:论文写作方法课程 https://www.bilibili.com/video/BV1Na411w7c2
数学建模学习思维导图
数学建模学习建模方法框架总结
数学建模学习记录——数学规划模型
数学建模学习记录--数学规划模型一.线性规划问题 MatLab中线性规划的标准型 MatLab中求解线性规划的命令二.整数线性规划问题三.非线性规划问题 MatLab中非线性规划的标准型 Mat ...
数学建模学习——回归分析
1.多元线性回归回归分为:解释型回归.预测型回归解释型回归:只需知道相对重要程度预测型回归:关注预测出来有多准需要考虑异方差 BP检验相应的Stata命令:estat hettest,rhs, ...
数学建模学习笔记（2.3）lingo软件求解线性规划问题
数学建模学习笔记(2.3)lingo软件求解线性规划问题 lingo软件的优势在于体积小,专注于解决优化问题且编程语言通俗易懂,没有门槛对于刚刚接触数学建模同学比较友善当然对于已经参与建模很久的 ...
关于投篮的数学建模模型_投篮问题的数学建模[共10页]
投篮问题的数学建模[共10页] 摘要如今全民大爱篮球运动,投球的命中率是一场比赛输赢的关键所在,能否投入篮筐与投球时运动员所处的位置.投球时的角度和投球时的出手速度有很大关系,该论文主要以罚球为出发 ...

数学建模学习（10）：遗传算法

数学建模学习（10）：遗传算法相关推荐

最新文章

热门文章