遗传算法MATLAB完整代码(不用工具箱)

遗传算法解决简单问题

%主程序：用遗传算法求解y=200*exp(-0.05*x).*sin(x)在区间[-2,2]上的最大值 clc;

clear all; close all;

global BitLength global boundsbegin global boundsend bounds=[-2,2]; precision=0.0001;

boundsbegin=bounds(:,1); boundsend=bounds(:,2);

%计算如果满足求解精度至少需要多长的染色体

BitLength=ceil(log2((boundsend-boundsbegin)'./precision)); popsize=50; %初始种群大小 Generationmax=12; %最大代数 pcrossover=0.90; %交配概率 pmutation=0.09; %变异概率 %产生初始种群

population=round(rand(popsize,BitLength));

%计算适应度，返回适应度Fitvalue和累计概率cumsump [Fitvalue,cumsump]=fitnessfun(population); Generation=1;

while Generation

seln=selection(population,cumsump); %交叉操作

scro=crossover(population,seln,pcrossover); scnew(j,:)=scro(1,:); scnew(j+1,:)=scro(2,:); %变异操作

smnew(j,:)=mutation(scnew(j,:),pmutation);

smnew(j+1,:)=mutation(scnew(j+1,:),pmutation); end

population=scnew; %产生了新的种群 %计算新种群的适应度

[Fitvalue,cumsump]=fitnessfun(population); %记录当前代最好的适应度和平均适应度 [fmax,nmax]=max(Fitvalue); fmean=mean(Fitvalue); ymax(Generation)=fmax; ymean(Generation)=fmean;

%记录当前代的最佳染色体个体

x=transform2to10(population(nmax,:));

%自变量取值范围是[-2,2],需要把经过遗传运算的最佳染色体整合到[-2,2]区间 xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1); xmax(Generation)=xx; Generation=Generation+1; end

Generation=Generation-1; Bestpopulation=xx;

Besttargetfunvalue=targetfun(xx);

%绘制经过遗传运算后的适应度曲线。一般的，如果进化过程中的种群的平均适应度

%与最大适应度在曲线上有相互趋同的形态，表示算法收敛进行地很顺利，没有出现震荡； %在这种前提下，最大适应度个体连续若干代都没有发生进化表示种群已经成熟 figure(1);

hand1=plot(1:Generation,ymax);

set(hand1,'linestyle','-','linewidth',1.8,'marker','*','markersize',6); hold on;

hand2=plot(1:Generation,ymean);

set(hand2,'color','r','linestyle','-','linewidth',1.8,'marker',... 'h','markersize',6); xlabel('进化代数');

ylabel('最大/平均适应度'); xlim([1 Generationmax]); box off; hold off;

%子程序：计算适应度函数，函数名称存储为fitnessfun function[Fitvalue,cumsump]=fitnessfun(population) global BitLength global boundsbegin global boundsend

popsize=size(population,1); %有popsize个个体 for i=1:popsize

x=transform2to10(population(i,:)); %将二进制转换为十进制 %转化为[-2,2]区间的实数

xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1); Fitvalue(i)=targetfun(xx); end

%给适应度函数加上一个大小合理的数以便保证种群适应值为正数 Fitvalue=Fitvalue'+230; %计算选择概率 fsum=sum(Fitvalue);

Pperpopulation=Fitvalue/fsum; %计算累积概率

cumsump(1)=Pperpopulation(1); for i=2:popsize

cumsump(i)=cumsump(i-1)+Pperpopulation(i); end

cumsump=cumsump';

%子程序：新种群变异操作，函数名称存储为mutation.m function snnew=mutation(snew,pmutation) BitLength=size(snew,2); snnew=snew;

pmm=IfCroIfMut(pmutation); %根据变异概率决定是否进行变异操作，1则是，0则否 if pmm==1

chb=round(rand*(BitLength-1))+1;%在[1,BitLength]范围内随机产生一个变异位 snnew(chb)=abs(snew(chb)-1); end

%子程序：新种群交叉操作，函数名存储为crossover.m function scro=crossover(population,seln,pc) BitLength=size(population,2);

pcc=IfCroIfMut(pc); %根据交叉概率决定是否进行交叉操作，1则是，0则否 if pcc==1

chb=round(rand*(BitLength-2))+1;%在[1,BitLength-1]范围内随机产生一个交叉位 scro(1,:)=[population(seln(1),1:chb) population(seln(2),chb+1:BitLength)]; scro(2,:)=[population(seln(2),1:chb) population(seln(1),chb+1:BitLength)]; else

scro(1,:)=population(seln(1),:); scro(2,:)=population(seln(2),:); end

%子程序:判断遗传运算是否需要进行交叉或变异，函数名称存储为IfCroIfMut.m function pcc=IfCroIfMut(mutORcro) test(1:100)=0;

l=round(100*mutORcro); test(1:l)=1;

n=round(rand*99)+1; pcc=test(n);

%子程序：新种群选择操作，函数名称存储为selection.m function seln=selection(population,cumsump) %从种群中选择两个个体 for i=1:2 r=rand;

prand=cumsump-r; %产生一个随机数 j=1;

while prand(j)<0 j=j+1; end

seln(i)=j; %选中个体的序号 end

%子程序：将二进制数转换为十进制数，函数名称存储为transform2to10.m function x=transform2to10(Populaton) BitLength=size(Populaton,2); x=Populaton(BitLength); for i=1:BitLength-1

x=x+Populaton(BitLength-i)*power(2,i); end

%子程序：对于优化最大值或极大值函数问题，目标函数可以作为适应度函数 %函数名称存储为targetfun.m

function y=targetfun(x) %目标函数 y=200*exp(-0.05*x).*sin(x);

运行结果:

Bestpopulation =

1.5764

Besttargetfunvalue =

184.8383

基本接近理论值

百度搜索“70edu”或“70教育网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，70教育网，提供经典综合文库遗传算法MATLAB完整代码(不用工具箱)在线全文阅读。