遗 传 算 法 详 解 ( 含 M A T L A B 代 码 )
遗传算法遗传算法
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
《基本遗传算法》
(2) 解码
假设某一个体的编码是：
x： bl bl-1 bl-2……b2b1
则对应的解码公式为：
x = umin + (
1
i=l
bi
·2i-1
)
·Umax umin 2l 1
整理ppt
[例] 设 -3.0 ≤ x ≤ 12.1 , 精度要求 =1/10000，由公式： = Umax umin
M——群体大小； F——个体适应度评价函数； s——选择操作算于； c——交叉操作算子： m——变异操作算于； pc——交叉概率； pm——变异概率；
整理ppt
1.3 基本遗传算法描述
Procedure GA
Begin initialize P(0); t=0; while (t<=T) do for i=1 to M do Evaluate fitness of P(t); end for for i=1 to M do Select operation to P(t); end for for i=1 to M/2 do Crossover operation to P(t); end for for i=1 to M do Mutation operation to P(t); end for for i=1 to M do P(t+1) = P(t); end for t=t+1 end while
从而产生出一个新的个体。
基本位变异运算的示例如下所示：
基本位变异
A：1010 1 01010
A’：1010 0 01010
变异点
整理ppt
变异概率
变异是针对个体的某一个或某一些基因座上的基因值执行的，因此变异概率pm 也是针对基因而言，即：
神经网络与遗传算法
10.4 遗传算法
1975年美国Michigan大学J.Holland教授提出。 美国人De.Jong博士将遗传算法应用于函数优化 Goldberg成了遗传算法的框架。
10.4.1遗传算法基本原理
选择适应值高的染色体进行复制，通过 遗传算子：选择、交叉（重组）、变异，来 产生一群新的更适应环境的染色体，形成新 的种群。
遗传算法利用适应值信息，而不需要导数或其它辅助信 息。
遗传算法用适应值评估个体，用遗传算子产生更优后代 ，不需要像神经网络中用梯度公式引导。
隐含并行性：
遗传算法是对N个位串个体进行运算，它隐含 了大量的模式（用通配符#包含的个体）
遗传机器学习
10.5基于遗传算法的分类学习系统
我们研制的遗传分类学习系统GCLS是一种字符串规则 （分类器）的学习系统。
1
总和∑ 平均值 最大值
1754
1.00 4.00
4.0
439
0.25 1.00 1.0
729
0.42 1.66 2.0
选择后的交配 池（下划线部 分交叉）
11001 11011 11011 10000
交叉对象
（随机选 择）
交叉位置
（随机选择 ）
新的种群
2
1
11011
1
1
11001
4
3
11000
3
遗传算法是进行群体的搜索。 它对多个个体进行群体搜索，构成一个不断进
化的群体序列，它能找到全局最优解（优于爬 山法）
遗传算法是一种随机搜索方法，三个算子都是 随机操作，利用概率转移规则。
遗传算法的处理对象是问题参变量进行编码的个体，而 不是参变量自身。
参变量编码成位串个体，通过遗传算子进行操作。不是 对参数变量进行直接操作。
遗传算法基础
比例选择法（轮盘赌）
• 基本思想
各个个体被选中的概率与其适应度大小成正比。 设群体大小为 M，个体 i 的适应度大小为F ( xi ) ，则 个体 i 被选中的概率为
Pi =
F ( xi )
∑ F (x )
i =1 i
M
比例选择法（轮盘赌）
• 具体步骤 1）计算各基因适应度值和选择概率 Pi 2）累计所有基因选择概率值，记录中间累 加值S - mid 和最后累加值 sum = ∑ Pi 3）产生一个随机数 N，0〈 N 〈 1 4）选择对应中间累加值S - mid 的基因进 入交换集 5）重复（3）和（4），直到获得足够的基 因。
t i
t i i
n
模式定理
• 选择算子的作用
f (H , t) m( H , t + 1) = m( H , t ) f (t )
若 若
f (H , t) >1，m（H，t）增加 f (t ) f ( H , t ) <1，m（H，t）减少 f (t )
在选择算子的作用下，对于平均适用度高于群体平 在选择算子的作用下， 均适应度的模式，其样本数将增长， 均适应度的模式，其样本数将增长，对于平均适用 度低于群体平均适应度的模式， 度低于群体平均适应度的模式，其样本数将减少
f ( x) f ( x) f ( x) f ( x) f ( x) f ( x)
F（x）
F（x）
F（x）
F（x）＝f（x）＋C
遗传算法基本要素与实现技术
• 选择算子 • 适应度较高的个体被遗传到下一代群体中 的概率较大，适应度较低的个体被遗传到 下一代群体中的概率较小。 • 选择方法 比例选择法（轮盘赌） 锦标赛选择法
遗传算法
缺点：该算法只是对每个落点进行单独的考虑，没有反应不同组 合所产生的共同效果，所以只是近似的算法，不能获得最优的结果。 基于单个的优化不能保证在整体情况下能获得最大值。 如果对所有的可能方案进行评价，找到最佳方案。例如在N*N的
栅格空间中确定n个 目标的最佳位置，则所要对比的组合高达
2.遗传算法和GIS结合解决空间优化问题
所谓交叉运算，是指对两个相互配对的染色体依据
交叉概率 Pc 按某种方式相互交换其部分基因，从而形 成两个新的个体。
交叉前： 00000|011100000000|10000 11100|000001111110|00101 交叉后： 00000|000001111110|10000 11100|011100000000|00101 染色体交叉是以一定的概率发生的，这个概率记为Pc
行一点或多点交叉的操作，但这样很容易产生断路或环路。针对路径 的具体需要,这里采用只允许在除首、尾结点之外的第一个重复结点位
置交叉且只进行一点交叉的操作方式。例如:设从起始结点1到目标结
点9的一对父代个体分别是G1和G2,分别如下表示: G1(1,3,5,6,7,8,9)
G2(1,2,4,5,8,9)
是一种有效的解最优化问题的方法。 其基本思想是:首先随机产生种群,对种群中的被选中染色体进行交
叉或变异运算生成后代,根据适值选择部分后代,淘汰部分后代,但种群
大小不变。经过若干代遗传之后,算法收敛于最好的染色体,可能是问题 的最优解或次优解。
适应度函数
遗传算法对一个个体（解）的好坏用适应度函数
值来评价，适应度函数值越大，解的质量越好。适应 度函数是遗传算法进化过程的驱动力，也是进行自然
篇论文。此后Holland教授指导学生完成了多篇有关遗传算法研究的论
遗 传 算 法 详 解 ( 含 M A T L A B 代 码 )
遗传算法入门（上）代码中的进化学说与遗传学说写在之前算法所属领域遗传算法的思想解析为什么要用遗传算法？科研现状应用现状遗传算法入门系列文章：（中篇）遗传算法入门（中）实例，求解一元函数最值（MATLAB版）（下篇）遗传算法入门（下）实例，求解TSP问题（C++版）写在之前说明：本想着用大量篇幅写一篇“关于遗传算法的基本原理”作为本系列入门的第一篇，但是在找寻资料的过程中，看到网络上有大量的关于遗传算法的介绍，觉得写的都挺好，所以本文我就简单写点自己的理解。
推荐几篇关于遗传算法的介绍性文章：遗传算法详解（GA）（个人觉得很形象，很适合初学者）算法所属领域相信每个人学习一门知识之前，都会想知道这门知识属于哪一门学科范畴，属于哪一类技术领域？首先对于这种问题，GA是没有绝对的归属的。
算法的定义是解决问题的一种思想和指导理论。
而遗传算法也是解决某一问题的一种思想，用某一编程语言实现这种思想的程序具有很多特点，其中一个便是智能性和进化性，即，不需要大量的人为干涉，程序本身能够根据一定的条件自我筛选，最终得出令人满意的结果。
所以按照这种特性，把它列为人工智能领域下的学习门类毫无疑问是可以的。
遗传算法的思想是借鉴了达尔文的进化学说和孟德尔的遗传学说，把遗传算法说成是一门十足的仿生学一点都不过分。
然而从应用的角度出发，遗传算法是求最优解问题的好方法，如信号处理中的优化、数学求解问题、工业控制参数最优解、神经网络中的激活函数、图像处理等等，所以把遗传算法说成优化范畴貌似也说的过去。
为了方便理解，我们可以暂时将其定位为人工智能–智能优化，这也是很多书中描述遗传算法的惯用词汇。
遗传算法的思想解析遗传算法（gentic algorithms简称GA）是模拟生物遗传和进化的全局优化搜索算法我们知道，在人类的演化中，达尔文的进化学说与孟德尔的遗传学说起着至关重要的理论指导。
每个人作为一个个体组成一个人类种群，正是经历着物竞天择，才会让整个群体慢慢变的更好，即更加适应周围的环境。
2遗传算法介绍
对控制参数的改进
Srinvivas等人提出自适应遗传算法，即PC和Pm 能够随适应度自动改变，当种群的各个个体适应度 趋于一致或趋于局部最优时，使二者增加，而当种 群适应度比较分散时，使二者减小，同时对适应值 高于群体平均适应值的个体，采用较低的PC和Pm， 使性能优良的个体进入下一代，而低于平均适应值 的个体，采用较高的PC和Pm，使性能较差的个体被 淘汰。
对遗传算子的改进
排序选择 均匀交叉 逆序变异
（1） 随机产生一个与个体编码长度 相同的二进制屏蔽字P = W1W2„Wn ； （2） 按下列规则从A、B两个父代个 体中产生两个新个体X、Y：若Wi = 0， 则X的第i个基因继承A的对应基因，Y 的第i个基因继承B的对应基因；若Wi = 1，则A、B的第i个基因相互交换，从 而生成X、Y的第i个基因。
模式阶用来反映不同模式间确定性的 差异，模式阶数越高，模式的确定性就越高，
所匹配的样本数就越少。在遗传操作中，即
使阶数相同的模式，也会有不同的性质，而
模式的定义距就反映了这种性质的差异。
模式定理
模式定理：具有低阶、短定义距以及平 均适应度高于种群平均适应度的模式在子代
中呈指数增长。
模式定理保证了较优的模式（遗传算法
的质量越好。适应度函数是遗传算法进化过
程的驱动力，也是进行自然选择的唯一标准，
它的设计应结合求解问题本身的要求而定。
选择算子
遗传算法使用选择运算来实现对群体中的个体 进行优胜劣汰操作：适应度高的个体被遗传到下一
代群体中的概率大；适应度低的个体，被遗传到下
一代群体中的概率小。选择操作的任务就是按某种 方法从父代群体中选取一些个体，遗传到下一代群
遗传算法应用于组合优化
遗传算法的基本原理和方法
遗传算法的基本原理和⽅法遗传算法的基本原理和⽅法⼀、编码编码：把⼀个问题的可⾏解从其解空间转换到遗传算法的搜索空间的转换⽅法。
解码（译码）：遗传算法解空间向问题空间的转换。
⼆进制编码的缺点是汉明悬崖（Hamming Cliff），就是在某些相邻整数的⼆进制代码之间有很⼤的汉明距离，使得遗传算法的交叉和突变都难以跨越。
格雷码（Gray Code）：在相邻整数之间汉明距离都为1。
（较好）有意义的积⽊块编码规则：所定编码应当易于⽣成与所求问题相关的短距和低阶的积⽊块；最⼩字符集编码规则，所定编码应采⽤最⼩字符集以使问题得到⾃然的表⽰或描述。
⼆进制编码⽐⼗进制编码搜索能⼒强，但不能保持群体稳定性。
动态参数编码（Dynamic Paremeter Coding）：为了得到很⾼的精度，让遗传算法从很粗糙的精度开始收敛，当遗传算法找到⼀个区域后，就将搜索现在在这个区域，重新编码，重新启动，重复这⼀过程，直到达到要求的精度为⽌。
编码⽅法：1、⼆进制编码⽅法缺点：存在着连续函数离散化时的映射误差。
不能直接反映出所求问题的本⾝结构特征，不便于开发针对问题的专门知识的遗传运算算⼦，很难满⾜积⽊块编码原则2、格雷码编码：连续的两个整数所对应的编码之间仅仅只有⼀个码位是不同的，其余码位都相同。
3、浮点数编码⽅法：个体的每个基因值⽤某⼀范围内的某个浮点数来表⽰，个体的编码长度等于其决策变量的位数。
4、各参数级联编码：对含有多个变量的个体进⾏编码的⽅法。
通常将各个参数分别以某种编码⽅法进⾏编码，然后再将他们的编码按照⼀定顺序连接在⼀起就组成了表⽰全部参数的个体编码。
5、多参数交叉编码：将各个参数中起主要作⽤的码位集中在⼀起，这样它们就不易于被遗传算⼦破坏掉。
评估编码的三个规范：完备性、健全性、⾮冗余性。
⼆、选择遗传算法中的选择操作就是⽤来确定如何从⽗代群体中按某种⽅法选取那些个体遗传到下⼀代群体中的⼀种遗传运算，⽤来确定重组或交叉个体，以及被选个体将产⽣多少个⼦代个体。
- 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、"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、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)。
GATBX遗传算法工具箱函数及实例讲解
基本原理：
遗传算法是一种典型的启发式算法，属于非数值算法范畴。
它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。
它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。
遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。
从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。
如此模仿生命的进化进行不断演化，直到满足期望的终止条件。
运算流程：
Step 1：对遗传算法的运行参数进行赋值。
参数包括种群规模、变量个数、交叉概率、变异概
率以及遗传运算的终止进化代数。
Step 2：建立区域描述器。
根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设置变量的取值范围。
Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。
Step 4：执行比例选择算子进行选择操作。
Step 5：按交叉概率对交叉算子执行交叉操作。
Step 6：按变异概率执行离散变异操作。
Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。
Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果。
运用遗传算法工具箱:
运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库。
目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算法工具箱GATBX、GAOT以及Math Works公司推出的GADS。
实际上，GADS就是大家所看到的Matlab中自带的工具箱。
我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要就是因为用的工具箱不同。
因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写遗传算法代码时，要根据你所安装的工具箱来编写代码。
以GATBX为例，运用GATBX时，要将GATBX解压到Matlab下的toolbox文件夹里，同时，set path将GATBX文件夹加入到路径当中。
这块内容主要包括两方面工作：1、将模型用程序写出来（.M文件），即目标函数，若目标函数非负，即可直接将目标函数作为适应度函数。
2、设置遗传算法的运行参数。
包括：种群规模、变量个数、区域描述器、交叉概率、变异概率以及遗传运算的终止进化代数等等。
求解模型：? f(x)=x*sin(10*pi*x)+2.0,x的范围在【-1,2】
根据上面的求解模型，可以写出模型的.M文件如下，即适应度函数
function z=shang(x)
z=x.*sin(10*pi*x)+2.0;
然后写入遗传算法的参数：
figure(1);
fplot('variable.*sin(10*pi*variable)+2.0',[-1,2]);? %画出函数曲线
NIND=40;? %个体数目(Number of individuals)
MAXGEN=25;? %最大遗传代数(Maximum number of generations) PRECI=20;? %变量的二进制位数(Precision of variables)
GGAP=0.9;? %代沟(Generation gap)
trace=zeros(2, MAXGEN);? %寻优结果的初始值
FieldD=[20;-1;2;1;0;1;1];? %区域描述器(Build field descriptor)
Chrom=crtbp(NIND, PRECI);? %初始种群
gen=0;? %代计数器
variable=bs2rv(Chrom, FieldD);? %计算初始种群的十进制转换ObjV=shang(variable);? %计算目标函数值
while genMAXGEN
FitnV=ranking(-ObjV);? %分配适应度值(Assign fitness
values)?
SelCh=select('sus', Chrom, FitnV, GGAP); %选择
SelCh=recombin('xovsp', SelCh, 0.7); %重组
SelCh=mut(SelCh); %变异
variable=bs2rv(SelCh, FieldD); %子代个体的十进制转换 ObjVSel=shang(variable); %计算子代的目标函数值
[Chrom ObjV]=reins(Chrom, SelCh, 1, 1, ObjV, ObjVSel); %重插入子代的新种群
variable=bs2rv(Chrom, FieldD);
gen=gen+1; %代计数器增加
%输出最优解及其序号，并在目标函数图像中标出，Y为最优解,I 为种群的序号
[Y, I]=max(ObjV);hold on;
plot(variable(I), Y, 'bo');
trace(1, gen)=max(ObjV); %遗传算法性能跟踪
trace(2, gen)=sum(ObjV)-length(ObjV);
variable=bs2rv(Chrom, FieldD);? %最优个体的十进制转换
hold on, grid;
plot(variable,ObjV,'b*');
figure(2);
plot(trace(1,:));
plot(trace(2,:),'-.');grid
legend('解的变化','种群均值的变化')
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代?运算借过为：x
% 0.9058 0.6324 0.5469 0.1576
text(citys(Route(1),1),citys(Route(1),2),' 起点');
variable=bs2rv(Chrom, FieldD);? %计算初始种群的十进制转换x = simulannealbnd(fun,x0,lb,ub)
1、[综] 训练集(train set) 验证集(validation set) 测试集(test set)
6.6.6 多维无约束优化的MATLAB求解函数fminsearch223
% 变异(mutation)，基因的突变普遍存在于生物的进化过程中。
变异是指父代中的每个个体的每一位都以概率 pm 翻转，Chrom = crtbp(NIND,PRECI); %%创建任意离散随机种群
r_i^{t+1}=r_i^0 [1-exp(-gamma t)].。