|
|
<FONT color=#555555>gaotv5 <BR><BR>核心函数： <BR>(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数 <BR>【输出参数】 <BR> pop--生成的初始种群 <BR>【输入参数】 <BR> num--种群中的个体数目 <BR> bounds--代表变量的上下界的矩阵 <BR> eevalFN--适应度函数 <BR> eevalOps--传递给适应度函数的参数 <BR> options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如 <BR> precision--变量进行二进制编码时指定的精度 <BR> F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度) <BR><BR>(2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,... <BR> termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数 <BR>【输出参数】 <BR> x--求得的最优解 <BR> endPop--最终得到的种群 <BR> bPop--最优种群的一个搜索轨迹 <BR>【输入参数】 <BR> bounds--代表变量上下界的矩阵 <BR> evalFN--适应度函数 <BR> evalOps--传递给适应度函数的参数 <BR> startPop-初始种群 <BR> opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如[1e-6 1 0] <BR> termFN--终止函数的名称,如['maxGenTerm'] <BR> termOps--传递个终止函数的参数,如[100] <BR> selectFN--选择函数的名称,如['normGeomSelect'] <BR> selectOps--传递个选择函数的参数,如[0.08] <BR> xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover'] <BR> xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0] <BR> mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation'] <BR> mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0] <BR><BR>注意】matlab工具箱函数必须放在工作目录下 <BR>【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9 <BR>【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08 <BR>【程序清单】 <BR> %编写目标函数 <BR> function[sol,eval]=fitness(sol,options) <BR> x=sol(1); <BR> eval=x+10*sin(5*x)+7*cos(4*x); <BR> %把上述函数存储为fitness.m文件并放在工作目录下 <BR> <BR> initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10 <BR> [x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',... <BR> [0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代 <BR><BR>运算借过为：x = <BR> 7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553) <BR><BR>注：遗传算法一般用来取得近似最优解，而不是最优解。 <BR><BR><BR><BR>遗传算法实例2 <BR><BR>【问题】在－5<=Xi<=5,i=1,2区间内，求解 <BR> f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。 <BR>【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3 <BR>【程序清单】 <BR> ％源函数的matlab代码 <BR> function [eval]=f(sol) <BR> numv=size(sol,2); <BR> x=sol(1:numv); <BR> eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282; <BR> %适应度函数的matlab代码 <BR> function [sol,eval]=fitness(sol,options) <BR> numv=size(sol,2)-1; <BR> x=sol(1:numv); <BR> eval=f(x); <BR> eval=-eval; <BR> %遗传算法的matlab代码 <BR> bounds=ones(2,1)*[-5 5]; <BR> [p,endPop,bestSols,trace]=ga(bounds,'fitness') <BR><BR>注：前两个文件存储为m文件并放在工作目录下，运行结果为 <BR> p = <BR> 0.0000 -0.0000 0.0055 <BR><BR><BR><BR>大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令： <BR> fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9]) <BR><BR><BR>evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。 </FONT><BR>
<TABLE cellSpacing=0 cellPadding=0 width="100%" border=0>
<TR>
<TD><BR></TD></TR></TABLE> |
|
发表于 2005-7-24 05:12:06
>请问一楼的兄弟,对于这个工具箱.你是不是掌握的不错.</P>