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
最全的遗传概率计算方法(高中生物)-基因概率计算
全：遗传概率的计算方法（高中生物)概率是对某一可能发生事件的估计，是指总事件与特定事件的比例，其范围介于0和1之间。
相关概率计算方法介绍如下：一、某一事件出现的概率计算法例题1：杂合子（Aa）自交,求自交后代某一个体是杂合体的概率.解析：对此问题首先必须明确该个体是已知表现型还是未知表现型。
（1)若该个体表现型为显性性状，它的基因型有两种可能：AA和Aa。
且比例为1∶2，所以它为杂合子的概率为2/3。
（2)若该个体为未知表现型，那么该个体基因型为AA、Aa和aa,且比例为1∶2∶1，因此它为杂合子的概率为1/2。
正确答案：2/3或1/2二、亲代的基因型在未肯定的情况下,其后代某一性状发生的概率计算法例题2：一对夫妇均正常,且他们的双亲也都正常，但双方都有一白化病的兄弟,求他们婚后生白化病孩子的概率是多少？解析：(1)首先确定该夫妇的基因型及其概率？由前面例题1的分析可推知该夫妇均为Aa的概率为2/3，AA的概率为1/3.（2）假设该夫妇为Aa,后代患病的概率为1/4。
(3）最后将该夫妇均为Aa的概率(2/3×2/3）与假设该夫妇均为Aa情况下生白化病患者的概率1/4相乘，其乘积1/9,即为该夫妇后代中出现白化病患者的概率。
正确答案：1/9三、利用不完全数学归纳法例题3：自交系第一代基因型为Aa的玉米,自花传粉，逐代自交，到自交系第n代时,其杂合子的几率为。
解析:第一代 Aa 第二代 1AA 2Aa 1aa 杂合体几率为 1/2第三代纯 1AA 2Aa 1aa 纯杂合体几率为（1/2）2 第n代杂合体几率为（1/2)n—1正确答案:杂合体几率为（1/2）n—1四、利用棋盘法例题4:人类多指基因(T）是正常指（t）的显性，白化基因（a)是正常（A)的隐性，都在常染色体上,而且都是独立遗传.一个家庭中,父亲是多指，母亲正常，他们有一个白化病和正常指的的孩子,则生下一个孩子只患有一种病和患有两种病以及患病的概率分别是(）A。
遗传算法
j=0 选择两个交叉个体 执行交叉 将交叉后的两个新个体 添入新群体中 j = j+2
将复制的个体添入 新群体中
j = j+1
N
j = M? Y
N
j = pc· M? Y
Gen=Gen+1
N
j = pm· M? L· Y
遗传算法应用举例 ——在函数优化中的应用
[例] Rosenbrock函数的全局最大值计算。
bi 2i1 )
i 1
U max U min 2 1
0.3 70352 (12.1 3) /(218 1) 1.052426
二）个体适应度评价
如前所述，要求所有个体的适应度必须为正数或零，不能是负数。
(1) 当优化目标是求函数最大值，并且目标函数总取正值时，可以直接设定
max s.t. 如图所示： 该函数有两个局部极大点， 分别是: f(2.048, -2048) =3897.7342 f(-2.048,-2.0048) =3905.9262 其中后者为全局最大点。 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
变异操作示例
变异字符的位置是随机确定的，如下表所示。某群体有3个个体，每个体含4 个基因。针对每个个体的每个基因产生一个[0, 1] 区间具有3位有效数字的值产生变异。表 中3号个体的第4位的随机数为0.001，小于0.01，该基因产生变异，使3号个体由
下面介绍求解该问题的遗传算法的构造过程：
第一步：确定决策变量及其约束条件。 s.t. 第二步：建立优化模型。 max 第三步：确定编码方法。 用长度为l0位的二进制编码串来分别表示二个决策变量x1,x2。 lO位二进制编码串可以表示从0到1023之间的1024个不同的数，故将x1,x2的 定义域离散化为1023个均等的区域，包括两个端点在内共有1024个不同的离散点。 从离散点-2.048到离散点2.048，依次让它们分别对应于从0000000000(0)到 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
遗传算法解释及代码(一看就懂)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
个体：组成种群的单个生物。
基因 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。
适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。
那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。
这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码：需要将问题的解编码成字符串的形式才能使用遗传算法。
遗传算法
1.1引言
生命科学--与工程科学的相互交叉、相互渗透和相互促进是近代科学技术发展的一个显著特点，而遗传算法的蓬勃发展正体现了科学发展的这一特征和趋势。
遗传算法(Genetic Algorithm-GA)，是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1 975年首先提出的[1]。J.Holland教授和他的研究小组围绕遗传算法进行研究的宗旨有两个，一是抽取和解释自然系统的自适应过程，二是设计具有自然系统机理的人工系统。毫无疑问，Holland教授的研究，无论对白然系统还是对人工系统都是十分有意义的。
生物的各项生命活动都有它的物质基础，生物的遗传与变异也是这样。根据现代细胞学和遗传学的研究得知，遗传物质的主要载体是染色体(chromsome)，染色体主要是由DNA(脱氧核糖核酸)和蛋白质组成，其中DNA又是最主要的遗传物质。现代分子水平的遗传学的研究又进一步证明，基因(gene)是有遗传效应的片段，它储存着遗传信息，可以准确地复制，也能够发生突变，并可通过控制蛋白质的合成而控制生物的性状。生物体自身通过对基因的复制(reproduction)和交叉(crossover)，即基因分离、基因自由组合和基因连锁互换的操作使其性状的遗传得到选择和控制。同时，通过基因重组、基因变异和染色体在结构和数目上的变异产生丰富多采的变异现象。需要指出的是，根据达尔文进化论，多种多样的生物之所以能够适应环境而得以生存进化，是和上述的遗传和变异生命现象分不开的。生物的遗传特性，使生物界的物种能够保持相对的稳定;生物的变异特性，使生物个体产生新的性状，以至于形成了新的物种，推动了生物的进化和发展。
1100|0 -> 11001
表1.2
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
- 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)。
matlab遗传算法工具箱函数及实例讲解（转引）
核心函数：?
(1)function
[pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数?【输出参数】?
pop--生成的初始种群?【输入参数】?
num--种群中的个体数目?
bounds--代表变量的上下界的矩阵?
eevalFN--适应度函数?
eevalOps--传递给适应度函数的参数?
options--选择编码形式(浮点编码或是二进制编码)[precision
F_or_B],如?
precision--变量进行二进制编码时指定的精度?
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)?
(2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts.?
termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs ,mutOps)--遗传算法函数?【输出参数】?
x--求得的最优解?
endPop--最终得到的种群?
bPop--最优种群的一个搜索轨迹?【输入参数】?
bounds--代表变量上下界的矩阵?
evalFN--适应度函数?
evalOps--传递给适应度函数的参数?
startPop-初始种群?
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 termFN--终止函数的名称,如['maxGenTerm']?
termOps--传递个终止函数的参数,如[100]?
selectFN--选择函数的名称,如['normGeomSelect']?
selectOps--传递个选择函数的参数,如[0.08]?
xOverFNs--交叉函数名称表，以空格分开，如['arithXover
heuristicXover simpleXover']?
xOverOps--传递给交叉函数的参数表，如[2
0;2 3;2 0]?
mutFNs--变异函数表，如['boundaryMutation
multiNonUnifMutation nonUnifMutation unifMutation']?
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]?注意】matlab工具箱函数必须放在工作目录下?【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0=x=9?【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?【程序清单】?
%编写目标函数?
function[sol,eval]=fitness(sol,options)
x=sol(1);?
eval=x+10*sin(5*x)+7*cos(4*x);?
%把上述函数存储为fitness.m文件并放在工作目录下?
initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10?
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect'.?
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代?运算借过为：x
7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)?注：遗传算法一般用来取得近似最优解，而不是最优解。
?遗传算法实例2?【问题】在－5=Xi=5,i=1,2区间内，求解?
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*p i*x1)+cos(2*pi*x2)))+22.71282的最小值。
?【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3?【程序清单】?
％源函数的matlab代码?
function [eval]=f(sol)
numv=size(sol,2);?
x=sol(1:numv);?
eval=-20*exp(-0.2*sqrt(sum(x.^2)-numv)))-exp(sum(cos(2*pi*x))-n umv)+22.71282;?
%适应度函数的matlab代码?
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;?
x=sol(1:numv);?
eval=f(x);?
eval=-eval;?
%遗传算法的matlab代码?
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')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?
0.0000 -0.0000 0.0055?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：?
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])
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
其中，，，是区间上的随机数，。
标准的ABC算法将新生成的可能解与原
来的解作比较，并采用贪婪选择策略保留较好的解。
每一个观察蜂依据概率选择一个蜜源，概率公式为
在后面的文章中我们将对更多的编程案例进行详解。
欢迎继续跟进，感谢！
6.6.6 多维无约束优化的MATLAB求解函数fminsearch223
根据Yang (2010)的文章，新的解xtix_i^t和速度vtiv_i^t更新方程：
if Length_best(iter) == min_Length
function [newpop] = selection(pop,fitvalue)
蚂蚁在寻找食物源时，会在其经过的路径上释放一种信息素，并能够感知其它蚂蚁释放的信息素。
信息素浓度的大小表征路径的远近，信息素浓度越高，表示对应的路径距离越短。
用ND(P)表示。
这些点与N4(P)的4个点一起称为P的8邻域，用N8(P)表示。
1.加温过程。
其目的是增强粒子的热运动，使其偏离平衡位置。
当温度足够高时，固体将熔为液体，从而消除系统原先存在的非均匀状态。
参数的自适应选取大多体现在种群规模N、交叉概率Pc和变异概率Pm 的动态自适应选取上。
……………。