您的位置：360文档中心› 基于遗传算法的投影寻踪模型Matlab源码

基于遗传算法的投影寻踪模型Matlab源码

合集下载

基于遗传算法(粒子群算法人工鱼群算法等)的投影寻踪模型MATLAB源代码

基于遗传算法(粒子群算法人工鱼群算法等)的投影寻踪模型MATLAB源代码

基于遗传算法（粒子群算法、人工鱼群算法等）的投影寻踪模型MATLAB源代码投影寻踪是一种处理多因素复杂问题的统计方法，其基本思路是将高维数据向低维空间进行投影，通过低维投影数据的散布结构来研究高维数据特征，可用于聚类、分类、综合评价、预测等。

投影寻踪模型最终可归结为一个非线性连续函数优化模型，可以采用遗传算法、粒子群算法、人工鱼群算法或人工免疫克隆优化算法等进行求解，得到最优的投影向量。

%% 第一步：仿真参数设置clcclearclose allload data1.txtD=data1。

%导入D矩阵[n,p]=size(D)。

K=300。

%迭代次数N=100。

%种群规模Pm=0.3。

%变异概率LB=-ones(1,p)。

%决策变量的下界UB=ones(1,p)。

%决策变量的上界Alpha=0.1。

%窗口半径系数，典型取值0.1b%% 调用遗传算法[BESTX,BESTY,ALLX,ALL Y]=GAUCP(K,N,Pm,LB,UB,D,Alpha)。

% GreenSim团队——专业级算法设计&代写程序% 欢迎访问GreenSim团队主页→%% 整理输出结果Best_a=(BESTX{K})'。

%方向向量d=zeros(n,p)。

Djmax=max(D)。

Djmin=min(D)。

for i=1:nd(i,:)=(D(i,:)-Djmin)./(Djmax-Djmin)。

endZ=zeros(n,1)。

for i=1:nZ(i)=abs(sum(Best_a.*d(i,:)))。

endZ=abs(Z)。

figure%投影散布图plot(abs(Z),'bd','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','b','MarkerSize',5)。

完整的遗传算法函数Matlab程序

完整的遗传算法函数Matlab程序

完整的遗传算法函数Matlab程序遗传算法是一种模拟自然进化过程的算法，通过遗传代数操作来搜索最优解。

它是一种优化算法，可以用于解决复杂问题，例如函数优化、组合优化、机器学习等。

在Matlab 中，遗传算法可以通过使用内置函数进行实现，也可以编写自己的遗传算法函数。

以下是一个完整的遗传算法函数Matlab程序的示例：function [x_best, f_best] = GA(fit_func, nvars)% fit_func: 适应度函数句柄% nvars: 变量个数% 遗传算法参数设置pop_size = 100; % 种群大小prob_crossover = 0.8; % 交叉概率prob_mutation = 0.02; % 变异概率max_gen = 1000; % 最大迭代次数% 初始化种群pop = rand(pop_size, nvars);for i = 1:max_gen% 计算适应度for j = 1:pop_sizefitness(j) = feval(fit_func, pop(j,:));end% 找到最优个体[f_best, best_idx] = max(fitness);x_best = pop(best_idx,:);% 交叉操作for j = 1:2:pop_sizeif rand < prob_crossover% 随机选择父代idx_parent1 = randi(pop_size);idx_parent2 = randi(pop_size);parent1 = pop(idx_parent1,:);parent2 = pop(idx_parent2,:);% 交叉idx_crossover = randi(nvars-1);child1 = [parent1(1:idx_crossover) parent2(idx_crossover+1:end)];child2 = [parent2(1:idx_crossover) parent1(idx_crossover+1:end)];% 更新种群pop(j,:) = child1;pop(j+1,:) = child2;endend% 变异操作for j = 1:pop_sizeif rand < prob_mutation% 随机选择变异个体idx_mutation = randi(nvars);pop(j,idx_mutation) = rand;endendendend在上述程序中，遗传算法的参数通过设定变量的值进行设置，包括种群大小、交叉概率、变异概率和最大迭代次数等。

用MATLAB实现遗传算法程序

用MATLAB实现遗传算法程序

用MATLAB实现遗传算法程序一、本文概述遗传算法（Genetic Algorithms，GA）是一种模拟自然界生物进化过程的优化搜索算法，它通过模拟自然选择和遗传学机制，如选择、交叉、变异等，来寻找问题的最优解。

由于其全局搜索能力强、鲁棒性好以及易于实现并行化等优点，遗传算法在多个领域得到了广泛的应用，包括函数优化、机器学习、神经网络训练、组合优化等。

本文旨在介绍如何使用MATLAB实现遗传算法程序。

MATLAB作为一种强大的数学计算和编程工具，具有直观易用的图形界面和丰富的函数库，非常适合用于遗传算法的实现。

我们将从基本的遗传算法原理出发，逐步介绍如何在MATLAB中编写遗传算法程序，包括如何定义问题、编码、初始化种群、选择操作、交叉操作和变异操作等。

通过本文的学习，读者将能够掌握遗传算法的基本原理和MATLAB编程技巧，学会如何使用MATLAB实现遗传算法程序，并能够在实际问题中应用遗传算法求解最优解。

二、遗传算法基础遗传算法（Genetic Algorithm，GA）是一种模拟自然选择和遗传学机制的优化搜索算法。

它借鉴了生物进化中的遗传、交叉、变异等机制，通过模拟这些自然过程来寻找问题的最优解。

遗传算法的核心思想是将问题的解表示为“染色体”，即一组编码，然后通过模拟自然选择、交叉和变异等过程，逐步迭代搜索出最优解。

在遗传算法中，通常将问题的解表示为一个二进制字符串，每个字符串代表一个个体（Individual）。

每个个体都有一定的适应度（Fitness），适应度越高的个体在下一代中生存下来的概率越大。

通过选择（Selection）、交叉（Crossover）和变异（Mutation）等操作，生成新一代的个体，并重复这一过程，直到找到满足条件的最优解或达到预定的迭代次数。

选择操作是根据个体的适应度，选择出适应度较高的个体作为父母，参与下一代的生成。

常见的选择算法有轮盘赌选择（Roulette Wheel Selection）、锦标赛选择（Tournament Selection）等。

基于遗传算法的matlab源代码

基于遗传算法的matlab源代码

function youhuafunD=code;N=50;%Tunablemaxgen=50;%Tunablecrossrate=0.5;%Tunablemuterate=0.08;%Tunablegeneration=1;num=length(D);fatherrand=randint(num,N,3);score=zeros(maxgen,N);while generation<=maxgenind=randperm(N-2)+2;%随机配对交叉A=fatherrand(:,ind(1:(N-2)/2));B=fatherrand(:,ind((N-2)/2+1:end));%多点交叉rnd=rand(num,(N-2)/2);ind=rnd tmp=A(ind);A(ind)=B(ind);B(ind)=tmp;%%两点交叉%for kk=1:(N-2)/2%rndtmp=randint(1,1,num)+1;%tmp=A(1:rndtmp,kk);%A(1:rndtmp,kk)=B(1:rndtmp,kk);%B(1:rndtmp,kk)=tmp;%endfatherrand=[fatherrand(:,1:2),A,B];%变异rnd=rand(num,N);ind=rnd[m,n]=size(ind);tmp=randint(m,n,2)+1;tmp(:,1:2)=0;fatherrand=tmp+fatherrand;fatherrand=mod(fatherrand,3);%fatherrand(ind)=tmp;%评价、选择scoreN=scorefun(fatherrand,D);%求得N个个体的评价函数score(generation,:)=scoreN;[scoreSort,scoreind]=sort(scoreN);sumscore=cumsum(scoreSort);sumscore=sumscore./sumscore(end);childind(1:2)=scoreind(end-1:end);for k=3:Ntmprnd=rand;tmpind=tmprnd difind=[0,diff(t mpind)];if~any(difind)difind(1)=1;endchildind(k)=scoreind(logical(difind));endfatherrand=fatherrand(:,childind);generation=generation+1;end%scoremaxV=max(score,[],2);minV=11*300-maxV;plot(minV,'*');title('各代的目标函数值');F4=D(:,4);FF4=F4-fatherrand(:,1);FF4=max(FF4,1);D(:,5)=FF4;save DData Dfunction D=codeload youhua.mat%properties F2and F3F1=A(:,1);F2=A(:,2);F3=A(:,3);if(max(F2)>1450)||(min(F2)<=900)error('DATA property F2exceed it''s range(900,1450]')end%get group property F1of data,according to F2value F4=zeros(size(F1));for ite=11:-1:1index=find(F2<=900+ite*50);F4(index)=ite;endD=[F1,F2,F3,F4];function ScoreN=scorefun(fatherrand,D)F3=D(:,3);F4=D(:,4);N=size(fatherrand,2);FF4=F4*ones(1,N);FF4rnd=FF4-fatherrand;FF4rnd=max(FF4rnd,1);ScoreN=ones(1,N)*300*11;%这里有待优化for k=1:NFF4k=FF4rnd(:,k);for ite=1:11F0index=find(FF4k==ite);if~isempty(F0index)tmpMat=F3(F0index);tmpSco=sum(tmpMat);ScoreBin(ite)=mod(tmpSco,300);endendScorek(k)=sum(ScoreBin);endScoreN=ScoreN-Scorek;遗传算法实例:%下面举例说明遗传算法%%求下列函数的最大值%%f(x)=10*sin(5x)+7*cos(4x)x∈[0,10]%%将x的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为(10-0)/(2^10-1)≈0.01。

基于加速遗传算法的投影寻踪模型代码

基于加速遗传算法的投影寻踪模型代码

基于加速遗传算法的投影寻踪模型代码一些常用的遗传算法代码模板供您参考：```import random# 遗传算法参数POPULATION_SIZE = 100GENERATIONS = 50MUTATION_RATE = 0.1CROSSOVER_RATE = 0.8ELITE_SIZE = 2# 个体编码示例def create_individual():individual = []# TODO: 根据具体问题设计个体编码return individual# 适应度函数示例，fitness越小越好，用于最小化问题def fitness(individual):# TODO: 根据具体问题实现适应度函数return 0# 选择操作示例def selection(population):# TODO: 实现选择算法，返回选择的父代个体return parent1, parent2# 交叉操作示例def crossover(parent1, parent2):# TODO: 实现交叉算法，返回交叉后的子代个体return child1, child2# 变异操作示例def mutation(individual):# TODO: 实现变异算法，返回变异后的个体return mutant# 创建初始种群population = [create_individual() for _ in range(POPULATION_SIZE)]# 迭代遗传算法for generation in range(GENERATIONS):# 计算适应度fitness_list = [fitness(individual) for individual in population]# 选择最优个体elites = sorted(zip(population, fitness_list), key=lambda x: x[1])[:ELITE_SIZE]# 输出当前代数和最优个体适应度print("Generation:", generation, "Best fitness:", elites[0][1])# 选择新的父代个体parents = [selection(population) for _ in range(POPULATION_SIZE - ELITE_SIZE)]# 交叉并产生新的子代个体children = []for i in range(0, len(parents), 2):if random.random() < CROSSOVER_RATE:child1, child2 = crossover(parents[i], parents[i+1])else:child1, child2 = parents[i], parents[i+1]children.append(mutation(child1))children.append(mutation(child2))# 更新下一代种群population = [elite[0] for elite in elites] + children```需要根据具体问题进行个体编码、适应度函数、选择算法、交叉算法和变异算法的实现。

遗传算法matlab程序代码

遗传算法matlab程序代码

遗传算法matlab程序代码
遗传算法（GA）是一种用于求解优化问题的算法，其主要思想是模拟
生物进化过程中的“选择、交叉、变异”操作，通过模拟这些操作，来寻
找最优解。

Matlab自带了GA算法工具箱，可以直接调用来实现遗传算法。

以下是遗传算法Matlab程序代码示例：
1.初始化
首先定义GA需要优化的目标函数f，以及GA算法的相关参数，如种
群大小、迭代次数、交叉概率、变异概率等，如下所示：
options = gaoptimset('PopulationSize',10,...
'Generations',50,...
2.运行遗传算法
运行GA算法时，需要调用MATLAB自带的ga函数，将目标函数、问
题的维度、上下界、约束条件和算法相关参数作为输入参数。

其中，上下
界和约束条件用于限制空间，防止到无效解。

代码如下：
[某,fval,reason,output,population] = ga(f,2,[],[],[],[],[-10,-10],[10,10],[],options);
3.结果分析
最后，将结果可视化并输出，可以使用Matlab的plot函数绘制出目
标函数的值随迭代次数的变化，如下所示：
plot(output.generations,output.bestf)
某label('Generation')
ylabel('Best function value')
总之，Matlab提供了方便易用的GA算法工具箱，开发者只需要根据具体问题定义好目标函数和相关参数，就能够在短时间内快速实现遗传算法。

遗传算法优化相关MATLAB算法实现

遗传算法优化相关MATLAB算法实现

遗传算法优化相关MATLAB算法实现遗传算法（Genetic Algorithm，GA）是一种基于生物进化过程的优化算法，能够在空间中找到最优解或接近最优解。

它模拟了自然选择、交叉和变异等进化操作，通过不断迭代的方式寻找最佳的解。

遗传算法的主要步骤包括：初始化种群、评估适应度、选择、交叉、变异和更新种群等。

在MATLAB中，可以使用遗传算法工具箱（Genetic Algorithm & Direct Search Toolbox）来实现遗传算法的优化。

下面以实现一个简单的函数优化为例进行说明。

假设我们要优化以下函数：```f(x)=x^2-2x+1```首先，我们需要定义适应度函数，即上述函数f(x)。

在MATLAB中，可以使用如下代码定义适应度函数：```MATLABfunction fitness = myFitness(x)fitness = x^2 - 2*x + 1;end```接下来，我们需要自定义遗传算法的参数，包括种群大小、迭代次数、交叉概率和变异概率等。

在MATLAB中，可以使用如下代码定义参数：```MATLABpopulationSize = 100; % 种群大小maxGenerations = 100; % 迭代次数crossoverProbability = 0.8; % 交叉概率mutationProbability = 0.02; % 变异概率```然后，我们需要定义遗传算法的上下界范围。

在本例中，x的范围为[0,10]。

我们可以使用如下代码定义范围：```MATLABlowerBound = 0; % 下界upperBound = 10; % 上界```接下来，我们可以使用遗传算法工具箱中的`ga`函数进行遗传算法的优化。

如下所示：```MATLAB```最后，我们可以得到最优解x和最优值fval。

在本例中，我们得到的结果应该接近1以上只是一个简单的例子，实际应用中可能需要根据具体问题进行参数的设定和函数的定义。

遗传算法matlab源代码

遗传算法matlab源代码

方案一的程序编码函数主文件：function[Xp,LC1,LC2,LC3]=CLBGA8(M,Pm) %%%陈璐斌编程，解决VRP问题（带时间窗）%%输入参数%M遗传进化迭代次数%Pm变异概率%%输出参数%Xp最优个体%LC1目标收敛曲线%LC2平均适应度收敛曲线%LC3最优适应度收敛曲线%%%变量初始化Xp=zeros(1,5);LC1=zeros(1,M);LC2=zeros(1,M);LC3=zeros(1,M);Best=inf;%%编码方式-第一步：产生初始种群N=10;%N 种群规模farm=cell(1,N);%存储种群的细胞结构k=1;while (N-k>=0)G=randperm(5);%产生5个客户的全排列farm{k}=G;k=k+1;end%%%进化迭代计数器counter=1;while counter<=M%%第二步：交叉%交叉采用双亲双子单点交叉N=10;%种群规模newfarm=cell(1,2*N-4);%存储子代的细胞结构Ser=randperm(N);%两两随机配对表生成for i=1:(N-2)%避免交叉概率为1 A=farm{Ser(i)};B=farm{Ser(i+1)};%取出父代P0=unidrnd(5);%随机选择交叉点aa=zeros(1,5);bb=zeros(1,5);A_=A;B_=B;for ii=1:5-P0aa(ii)=B(P0+ii);endfor ii=1:5-P0for iiii=1:5if(B(P0+ii)==A_(iiii))A_(iiii)=0;endendendfor iii=6-P0:5for iiii=1:5if(A_(iiii)~=0)aa(iii)=A_(iiii);A_(iiii)=0;breakendendendfor ii=1:5-P0bb(ii)=A(P0+ii);endfor ii=1:5-P0for iiii=1:5if(A(P0+ii)==B_(iiii))B_(iiii)=0;endendendfor iii=6-P0:5for iiii=1:5if(B_(iiii)~=0)bb(iii)=B_(iiii);B_(iiii)=0;breakendendend%产生子代newfarm{2*i-1}=aa;newfarm{2*i}=bb;endFARM=[farm,newfarm];%新旧种群合并%%第三步：选择复制%%计算当前种群适应度并存储N=10;SYZ=zeros(1,3*N-4);syz=zeros(1,3*N-4);for i=1:(3*N-4)x=FARM{i};SYZ(i)=clb8(x);end%%选择复制，较优的N个个体复制到下一代k=1;while k<=(3*N-4)maxSYZ=max(SYZ);posSYZ=find(SYZ==maxSYZ);POS=posSYZ(1);k=k+1;farm{k}=FARM{POS};syz(k)=SYZ(POS);SYZ(POS)=0;end%记录和更新，更新最优个体，记录收敛曲线数据maxsyz=max(syz);meansyz=mean(syz);pos=find(syz==maxsyz);LC2(counter+1)=meansyz;if maxsyzBest=maxsyz;Xp=farm{pos(1)};endLC3(counter+1)=Best;d=[0,6.4,3.2,3.9,3.7,2;6.4,0,2.9,2.1,4.5,4.1;3.2,2.9,0,1.5,3.3,1.2;3.9,2.1,1.5,0,3.6,2.6;3.7,4.5,3.3,3.6 ,0,3.8;...2.0,4.1,1.2,2.6,3.8,0;];%距离矩阵t=[0,0.16,0.08,0.1,0.09,0.05;0.16,0,0.07,0.05,0.11,0.1;0.08,0.07,0,0.04,0.08,0.03;...0.1,0.05,0.04,0,0.09,0.07;0.09,0.11,0.08,0.09,0,0.10;0.05,0.1,0.03,0.07,0.1,0;];%行驶时间矩阵w=[0.15,0.2,0.18,0.25,0.22];%服务时间矩阵%%时间窗向量early=[0.15,0.3,0.7,0.4,0.7];xx=x;%取出染色体j=1;%分工点初始化%%取距离向量d1,d2d1=zeros(1,6);d1(1)=d(1,xx(1)+1);for i=1:4d1(i+1)=d(xx(i)+1,xx(i+1)+1);endd1(6)=d(xx(5)+1,1);%%时间窗计算T=t(1,xx(1)+1);pun1=0;if T<early(xx(1))pun1=early(xx(1))-T;T=early(xx(1));endT=T+w(xx(1));for i=2:5T=T+t(xx(i-1)+1,xx(i)+1);if T<early(xx(i))pun1=pun1+early(xx(i))-T;T=early(xx(i));endT=T+w(xx(5));endF=sum(10.*d1)+sum(10.*d2)+20*pun1; LC1(counter+1)=F;%%第四步：变异N=10;for i=1:Nif Pm>randAA=farm{i};POS1=unidrnd(5);POS2=unidrnd(5);temp=AA(POS1);AA(POS1)=AA(POS2);AA(POS2)=temp;farm{i}=AA;endendcounter=counter+1;end%%第五步：绘制收敛曲线图figure(2);plot(LC1);xlabel('迭代次数');ylabel('目标的值');title('目标的收敛曲线');figure(3);plot(LC2);xlabel('迭代次数');ylabel('适应度函数的平均值');title('平均适应度函数的收敛曲线');plot(LC3);xlabel('迭代次数');ylabel('适应度函数的最优值');title('最优适应度函数的收敛曲线');适应度文件：%%计算载重量和时间窗%%适应度函数计算function Fitness=clb8(x)d=[0,6.4,3.2,3.9,3.7,2;6.4,0,2.9,2.1,4.5,4.1;3.2,2.9,0,1.5,3.3,1.2;3.9,2.1,1.5,0,3.6,2.6;3.7,4.5,3.3,3.6 ,0,3.8;...2.0,4.1,1.2,2.6,3.8,0;];%距离矩阵t=[0,0.16,0.08,0.1,0.09,0.05;0.16,0,0.07,0.05,0.11,0.1;0.08,0.07,0,0.04,0.08,0.03;...0.1,0.05,0.04,0,0.09,0.07;0.09,0.11,0.08,0.09,0,0.10;0.05,0.1,0.03,0.07,0.1,0;];%行驶时间矩阵w=[0.15,0.2,0.18,0.25,0.22];%服务时间矩阵%%时间窗向量early=[0.15,0.3,0.7,0.4,0.7];xx=x;%取出染色体j=1;%分工点初始化%%取距离向量d1,d2d1=zeros(1,6);d1(1)=d(1,xx(1)+1);for i=1:4d1(i+1)=d(xx(i)+1,xx(i+1)+1);endd1(6)=d(xx(5)+1,1);%%时间窗计算T=t(1,xx(1)+1);pun1=0;if T<early(xx(1))pun1=early(xx(1))-T;T=early(xx(1));endT=T+w(xx(1));T=T+t(xx(i-1)+1,xx(i)+1);if T<early(xx(i))pun1=pun1+early(xx(i))-T;T=early(xx(i));endT=T+w(xx(5));endF=sum(10.*d1)+sum(10.*d2)+20*pun1;Fitness=1/F;计算时间文件：function[T]=TOTALT(Xp1)Xp=Xp1;t=[0,0.16,0.08,0.1,0.09,0.05;0.16,0,0.07,0.05,0.11,0.1;0.08,0.07,0,0.04,0.08,0.03;...0.1,0.05,0.04,0,0.09,0.07;0.09,0.11,0.08,0.09,0,0.10;0.05,0.1,0.03,0.07,0.1,0;];%行驶时间矩阵w=[0.15,0.2,0.18,0.25,0.22];%服务时间矩阵%%时间窗向量early=[0.15,0.3,0.7,0.4,0.7];T=t(1,Xp(1)+1);if T<early(Xp(1))T=early(Xp(1));endT=T+w(Xp(1));for i=2:5T=T+t(Xp(i-1)+1,Xp(i)+1);if T<early(Xp(i))T=early(Xp(1));endT=T+w(Xp(i));endT=T+t(1,Xp(5)+1);方案二的程序编码主函数文件：function[Xp,LC1,LC2,LC3]=CLBGA9(M,Pm)%%%陈璐斌编程，解决VRP问题（带时间窗）%%输入参数%M遗传进化迭代次数%Pm变异概率%%输出参数%Xp最优个体%LC1子目标2收敛曲线%LC2平均适应度收敛曲线%LC3最优适应度收敛曲线%%%变量初始化Xp=zeros(1,6);LC1=zeros(1,M);LC2=zeros(1,M);LC3=zeros(1,M);Best=inf;%%编码方式-第一步：产生初始种群N=10;%N 种群规模%Q=[2.4,3.3,2.1,2.7,2.3,1.6,2.0,1.2,3.6,1.9];%需求矩阵farm=cell(1,N);%存储种群的细胞结构k=1;while (N-k>=0)G=randperm(6);%产生6个客户的全排列farm{k}=G;k=k+1;end%%%进化迭代计数器counter=1;while counter<=M%%第二步：交叉%交叉采用双亲双子单点交叉N=10;%种群规模newfarm=cell(1,2*N-4);%存储子代的细胞结构Ser=randperm(N);%两两随机配对表生成for i=1:(N-2)%避免交叉概率为1A=farm{Ser(i)};B=farm{Ser(i+1)};%取出父代P0=unidrnd(6);%随机选择交叉点aa=zeros(1,6);bb=zeros(1,6);A_=A;B_=B;for ii=1:6-P0aa(ii)=B(P0+ii);endfor ii=1:6-P0for iiii=1:6if(B(P0+ii)==A_(iiii))A_(iiii)=0;endendendfor iii=7-P0:6for iiii=1:6if(A_(iiii)~=0)aa(iii)=A_(iiii);A_(iiii)=0;breakendendendfor ii=1:6-P0bb(ii)=A(P0+ii);endfor ii=1:6-P0for iiii=1:6if(A(P0+ii)==B_(iiii))B_(iiii)=0;endendendfor iii=7-P0:6for iiii=1:6if(B_(iiii)~=0)bb(iii)=B_(iiii);B_(iiii)=0;breakendendend%产生子代newfarm{2*i-1}=aa;newfarm{2*i}=bb;endFARM=[farm,newfarm];%新旧种群合并%%第三步：选择复制%%计算当前种群适应度并存储N=10;SYZ=zeros(1,3*N-4);syz=zeros(1,3*N-4);for i=1:(3*N-4)x=FARM{i};SYZ(i)=clb9(x);end%%选择复制，较优的N个个体复制到下一代k=1;while k<=(3*N-4)maxSYZ=max(SYZ);posSYZ=find(SYZ==maxSYZ);POS=posSYZ(1);k=k+1;farm{k}=FARM{POS};syz(k)=SYZ(POS);SYZ(POS)=0;end%记录和更新，更新最优个体，记录收敛曲线数据maxsyz=max(syz);meansyz=mean(syz);pos=find(syz==maxsyz);LC2(counter+1)=meansyz;if maxsyzBest=maxsyz;Xp=farm{pos(1)};endLC3(counter+1)=Best;d=[0,6.4,3.2,3.9,3.7,35,2;6.4,0,2.9,2.1,4.5,32.5,4.1;3.2,2.9,0,1.5,3.3,35.7,1.2;3.9,2.1,1.5,0,3.6,34.5,2.6;...3.7,4.5,3.3,3.6,0,37,3.8;35,32.5,35.7,34.5,37,0,38.5;2,4.1,1.2,2.6,3.8,38.5,0];%距离矩阵t=[0,0.16,0.08,0.1,0.1,0.88,0.05;0.16,0,0.07,0.05,0.11,0.81,0.1;0.08,0.07,0,0.04,0.08,0.9,0.03;...0.1,0.05,0.04,0,0.09,0.86,0.07;0.1,0.11,0.08,0.09,0,0.92,0.1;0.88,0.81,0.9,0.86,0.92,0,0.96;...0.05,0.1,0.03,0.07,0.1,0.96,0;];%行驶时间矩阵w=[0.15,0.2,0.18,0.25,0.2,0.22];%服务时间矩阵%%时间窗向量early=[0.15,0.3,0.7,0.4,0.7,0.6];xx=x;%取出染色体j=1;%分工点初始化%%取距离向量d1,d2d1=zeros(1,7);d1(1)=d(1,xx(1)+1);for i=1:5d1(i+1)=d(xx(i)+1,xx(i+1)+1);endd1(7)=d(xx(6)+1,1);%%时间窗计算T=t(1,xx(1)+1);pun1=0;if T<early(xx(1))pun1=early(xx(1))-T;T=early(xx(1));endT=T+w(xx(1));for i=2:6T=T+t(xx(i-1)+1,xx(i)+1);if T<early(xx(i))pun1=pun1+early(xx(i))-T;T=early(xx(i));endT=T+w(xx(6));endF=sum(10.*d1) +20*pun1;LC1(counter+1)=F;%%第四步：变异N=10;for i=1:Nif Pm>randAA=farm{i};POS1=unidrnd(6);POS2=unidrnd(6);temp=AA(POS1);AA(POS1)=AA(POS2);AA(POS2)=temp;farm{i}=AA;endendcounter=counter+1;end%%第五步：绘制收敛曲线图figure(2);plot(LC1);xlabel('迭代次数');ylabel('目标的值');title('目标的收敛曲线');figure(3);plot(LC2);xlabel('迭代次数');ylabel('适应度函数的平均值');title('平均适应度函数的收敛曲线');figure(4);plot(LC3);xlabel('迭代次数');ylabel('适应度函数的最优值');title('最优适应度函数的收敛曲线');适应度文件：%%计算载重量和时间窗%%适应度函数计算function Fitness=clb9(x)d=[0,6.4,3.2,3.9,3.7,35,2;6.4,0,2.9,2.1,4.5,32.5,4.1;3.2,2.9,0,1.5,3.3,35.7,1.2;3.9,2.1,1.5,0,3.6,34.5,2.6;...3.7,4.5,3.3,3.6,0,37,3.8;35,32.5,35.7,34.5,37,0,38.5;2,4.1,1.2,2.6,3.8,38.5,0];%距离矩阵t=[0,0.16,0.08,0.1,0.1,0.88,0.05;0.16,0,0.07,0.05,0.11,0.81,0.1;0.08,0.07,0,0.04,0.08,0.9,0.03;...0.1,0.05,0.04,0,0.09,0.86,0.07;0.1,0.11,0.08,0.09,0,0.92,0.1;0.88,0.81,0.9,0.86,0.92,0,0.96;...0.05,0.1,0.03,0.07,0.1,0.96,0;];%行驶时间矩阵w=[0.15,0.2,0.18,0.25,0.2,0.22];%服务时间矩阵%%时间窗向量early=[0.15,0.3,0.7,0.4,0.7,0.6];late=[2.5,3.4,3.3,2.7,2.5,4.5];xx=x;%取出染色体j=1;%分工点初始化%%取距离向量d1,d2d1=zeros(1,7);d1(1)=d(1,xx(1)+1);for i=1:5d1(i+1)=d(xx(i)+1,xx(i+1)+1);endd1(7)=d(xx(6)+1,1);%%时间窗计算T=t(1,xx(1)+1);pun1=0;if T<early(xx(1))pun1=early(xx(1))-T;T=early(xx(1));endT=T+w(xx(1));for i=2:6T=T+t(xx(i-1)+1,xx(i)+1);if T<early(xx(i))pun1=pun1+early(xx(i))-T;T=early(xx(i));endT=T+w(xx(6));endF=sum(10.*d1) +20*pun1;Fitness=1/F;计算时间文件：function[T]=TOTALT2(Xp1)Xp=Xp1;t=[0,0.16,0.08,0.1,0.1,0.88,0.05;0.16,0,0.07,0.05,0.11,0.81,0.1;0.08,0.07,0,0.04,0.08,0.9,0.03;...0.1,0.05,0.04,0,0.09,0.86,0.07;0.1,0.11,0.08,0.09,0,0.92,0.1;0.88,0.81,0.9,0.86,0.92,0,0.96;... 0.05,0.1,0.03,0.07,0.1,0.96,0;];%行驶时间矩阵w=[0.15,0.2,0.18,0.25,0.2,0.22];%服务时间矩阵%%时间窗向量early=[0.15,0.3,0.7,0.4,0.7,0.6];T=t(1,Xp(1)+1);if T<early(Xp(1))T=early(Xp(1));endT=T+w(Xp(1));for i=2:6T=T+t(Xp(i-1)+1,Xp(i)+1);if T<early(Xp(i))T=early(Xp(1));endT=T+w(Xp(i));endT=T+t(1,Xp(6)+1)。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
%%调用遗传算法优化投影寻踪模型的程序
[BESTX,BESTY,ALLX,ALLY]=GAUCP(K,N,Pm,LB,UB,D,Alpha)
%%以下均为整理输出结果
%所有数据都在workspace里，最值得关注的三个数据是
% Z投影指标值，和参考文献里的符号是一致的
% Best_a最佳投影向量，参考文献里也是用的符号a，这里加了个前缀Best，表示最佳
for i=1:np
d(i,:)=(DD(i,:)-DDjmin)./(DDjmax-DDjmin);
end
Z=zeros(np,1);
for i=1:np
Z(i)=abs(sum(Best_a.*d(i,:)));
end
Z=abs(Z);
%%
figure(2)%投影散布图
plot(year,abs(Z),'bd','LineWidth&','MarkerFaceColor','b','MarkerSize',5);
end
year=1:np;%选择参与计算的样本，默认选择全部
Factor=1:p;%选择部分指标，默认选择全部
D=DD(year,Factor);
K=50;%迭代次数
N=30;%种群规模
Pm=0.3;%变异概率
LB=-ones(1,p);%决策变量的下界
UB=ones(1,p);%决策变量的上界
Alpha=0.1;%窗口半径系数，典型取值0.1b
基于遗传算法的投影寻踪模型Matlab源码
%% “投影寻踪＋遗传算法优化”的主仿真程序
% GreenSim团队原创作品，转载请注明
% Email:greensim@
% GreenSim团队主页：/greensim
% [color=red]欢迎访问GreenSim——算法仿真团队→[url=/greensim]/greensim[/url][/color]
legend('训练样本投影值','预测样本投影值');
%axis([1,12,0,2.5]);%图形边界根据需要显示
grid on
xlabel('Year','FontName','Times New Roman','FontSize',12);
ylabel('Projective Value','FontName','Times New Roman','Fontsize',12);
%axis([1,12,0,2.5]);%图形边界根据需要显示
grid on
xlabel('Year','FontName','Times New Roman','FontSize',12);
ylabel('Projective Value','FontName','Times New Roman','Fontsize',12);
% BESTY投影寻踪模型中的目标函数的变化情况，文献中的模型是最大化模型，这里按照惯例，对其加了个负号成为最小化模型
Best_a=(BESTX{K})';%方向向量
disp('最佳投影向量为');
disp(Best_a);
d=zeros(np,p);
DDjmax=max(DD);
DDjmin=min(DD);
%%
figure(3)
[newZ,I]=sort(Z);
newyear=year(I);
plot(year,abs(newZ),'bd','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','b','MarkerSize',5);
%axis([1,12,0,2.5]);%图形边界根据需要显示
%%
figure(4)%投影散布图
plot([Z;Z2],'bd','LineWidth',1,'MarkerEdgeColor','k','MarkerFaceColor','b','MarkerSize',5);
hold on
plot((np+1):n,Z2,'bo','LineWidth',1,'MarkerEdgeColor','r','MarkerFaceColor','r','MarkerSize',5);
%%第一步：仿真参数设置
clear
clc
close all
load Q5.txt
DD=Q5;%导入D矩阵
[n,p]=size(DD);
np=15;%训练样本的个数，前面1～np个样本用于建立模型，剩下的样本用于预测
if np>=n
error('用于预测的样本个数不能大于或等于样本总数，请重新设置');
grid on
xlabel('Year','FontName','Times New Roman','FontSize',12);
ylabel('Projective Value','FontName','Times New Roman','Fontsize',12);
%%
n2=n-np;
d2=zeros(n2,p);
for i=1:n2
d2(i,:)=(DD(i+np,:)-DDjmin)./(DDjmax-DDjmin);
end
Z2=zeros(n2,1);
for i=1:n2
Z2(i)=abs(sum(Best_a.*d2(i,:)));
end
Z2=abs(Z2);
disp('预测样本的投影预测值为');
disp(Z2);
相关文档
最新文档