首页 / 算法 / 遗传算法与函数优化

遗传算法与函数优化

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了遗传算法与函数优化，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含7349字，纯文字阅读大概需要11分钟。

内容图文

遗传算法是一种基于概率的鲁棒性很强的随机化全局搜索技术，其搜索过程具有一定的方向性，能够有效克服未成熟收敛。1975年由美国的J.Holland教授提出，之后DeJong将其用于最优化问题。遗传算法是一种借鉴生物界自然选择和遗传机制的高度并行、随机、自适应的全局优化概率搜索算法。具有直接对结构对象进行操作，不存在求导和函数连续性限定等特点；具有内在的隐并行性，和更好的全局寻优能力。遗传算法采用了概率化的寻优方法，能够自动获取和指导优化的搜索空间，自适应地调整搜索方向，无需确定的规则。正因如此，遗传算法已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域，国内外都非常重视遗传算法的理论和应用研究，并取得了令人瞩目的进展，遗传算法的应用成果已渗入到许多领域。

下面将举两个函数例子来解释如何利用遗传算法解决实际的函数优化问题。

1. 目标函数

遗传算法与函数优化 - 文章图片

本次目的是寻找这两个函数的最小值，其中n=2。首先通过Matlab画出了两个函数的三维图像，便于更加直观的观察出函数值的分布。

遗传算法与函数优化 - 文章图片

从图中可以看出：尽管目标函数表达式各不相同，但它们的三维图都有一个共同点，就是存在多个局部最优解，整个算法就是经过多次迭代得到最优解，整个过程要跳出局部最优解得到最后的全局最优解。

2.算法流程

算法流程如下图所示：

遗传算法与函数优化 - 文章图片

解决目标函数的最优解问题所采取的遗传算法流程如图3所示，其具体的实现过程分为以下几个步骤：

Step1：随机产生初始种群，种群大小为Popsize，Length为一个染色体长度（编码长度），种群记为Population。

Step2：将二进制染色体转化为十进制数，并计算当代种群个体的适应度值。

Step3：找出当代中的最优个体和最优适应度值，并从当代种群Population进行选择运算，该算法采用了轮盘du选择算法，选择函数为Selecfun。选择后的种群记为Sel_popul。

Step4：对种群Sel_popul进行交叉，交叉采用的是自适应的双点交叉，然后再进行变异。

Step5：求出变异后的最优适应度值以及对应的最优个体与Step3中的最优个体进行比较，如果变异后的最优适应度值大于Step3中的最优适应度值，则不做改变，如果变异后的最优适应度值小于Step3中的最优适应度值，则将变异后的最差适应度值对应的个体由Step3中选出的最优个体替换，即最优保存策略。

Step6：若循环次数大于最大迭代次数，输出统计结果，如收敛曲线等，整个算法终止，否则，将返回到step2。

3.寻优结果

将程序重复运行10次，每次遗传迭代次数为50次，然后从10个结果中找出目标函数值最小的点及其个体的坐标作为最佳目标函数值和最优个体，然后对10个目标函数值求方差，计算10次运行结果的差异大小。具体仿真参数如表1所示，最后将得到的数据统计结果如表2所示。

遗传算法与函数优化 - 文章图片

由仿真结果可以看出，函数的目标函数值的方差较小，说明函数已经接近最优值，而函数的目标函数值的方差较大，说明还没有很好地收敛，所以必须要加大迭代次数使其最佳目标值更加精确。

将程序重复运行10次，每次遗传迭代次数为80次，其仿真参数如下表3所示：

遗传算法与函数优化 - 文章图片

从表2和表4可以看出，当迭代次数为80次时，目标函数值方差明显都有所减小，但还可进一步优化。因此，可以继续加大迭代次数从而达到更好的收敛效果。

继续增加迭代次数，观察仿真结果。仿真参数见表5，寻优结果统计见表6。

遗传算法与函数优化 - 文章图片

将程序重复运行10次，每次遗传迭代次数为100次，其仿真统计结果如表6所示：

遗传算法与函数优化 - 文章图片

从表2、表4和表6可以看出，随着迭代次数的增加，目标函数值的方差均逐渐接近0，也就是说多次运行的最佳目标函数值大致相等，即运行的结果基本都在真实最优值附近。

并且，从表6可以看出，在迭代次数为100次时，目标函数的方差非常接近0，而函数的方差值则仍较大。可以预见，随着迭代次数的进一步增加，函数的方差值也将趋近于0。但是，随着迭代次数的增加，运行的时间也逐渐变长。因此，在实际使用中，应折中考虑运行效果与运行时间的关系，合理分配时间与硬件资源。

4. Matlab方式实现遗传算法的主程序代码

1. %%%%%%%%%%%%%本程序为遗传算法实现主程序%%%%%%%%%%%%%%%
2. %设定n=2,即优化函数为：f1 f2 中的一个
3. % 双变量时，染色体长度34。前17为x，后17为y。
4. % 采用轮盘选择
5. clear; close all;
6.
7. global popsize chromlength func_choose
8. popsize=100; %群体大小
9. chromlength=34; %个体长度
10. pc=0.7; %交叉概率
11. pm=0.02; %变异概率
12. rec_time=50; %迭代次数
13. func_choose = 1; % func_choose取值为1 2，分别代表函数f1 f2
14.
15. pop=initpop(popsize,chromlength); %随机产生初始群体
16. for i=1:rec_time
17. [objvalue]=calobjvalue(pop); %计算目标函数
18. fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
19. [newpop]=selection(pop,fitvalue); %复制
20. [newpop]=crossover(newpop,pc); %交叉
21. pm=pm+i/1000; %迭代次数增加有利于跳出局部最优的情况
22. [newpop]=mutation(newpop,pm); %变异
23. pop=newpop;
24. [objvalue]=calobjvalue(pop); %计算目标函数值
25. fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
26. [bestindividual,bestfit,cx]=best(pop,fitvalue); %找出群体中适应值最大的个体及其适应值
27. [worstindividual,worstfit,wx]=worst(pop,fitvalue); %找出群体中适应值最小的个体及其适应值
28. f(i)=bestfit; %取出历代最优解对应的适应度值放入f数列
29. keep(i,:)=bestindividual; %取出历代最优解放入keep矩阵
30. [fm wz]=max(f);
31. bestindividual=keep(wz,:); %取出keep矩阵中的适应度值最优的解,即史上最优解
32. n(i)=i;
33. pop5=bestindividual;
34. pop(wx,:)=pop5; %用史上最优解替代第i次迭代中最差的个体
35.
36. if func_choose == 1
37. x1(i)=-500+decodechrom(pop5,1,chromlength/2)*1000/(2^(chromlength/2)-1);
38. x2(i)=-500+decodechrom(pop5,chromlength/2+1,chromlength/2)*1000/(2^(chromlength/2)-1);
39. else %默认选择f2(x)
40. x1(i)=-500+decodechrom(pop5,1,chromlength/2)*1000/(2^(chromlength/2)-1);
41. x2(i)=-500+decodechrom(pop5,chromlength/2+1,chromlength/2)*1000/(2^(chromlength/2)-1);
42. end
43.
44. y=myfun(x1,x2);
45. end
46. [yy index]=min(y); %计算函数最小值及其位置
47. Y=yy;
48. X1=x1(index); %计算最小值时x1对应的值
49. X2=x2(index); %计算最小值时x2对应的值
50.
51. figure %收敛曲线作图
52. plot(y, 'r');
53. title(['函数f(',num2str(func_choose),')的收敛曲线']);
54. xlabel('t/代数');ylabel('目标函数值');
55. grid on;
56.
57. %%%%%%%%%%%%对于最优化得到的函数值及变量值的显示%%%%%%%%%%
58. disp([num2str(X1), ' ', num2str(X2), ' ', num2str(Y)]);

参考文献

[1] Abdelsalam AM, El-Shorbagy MA. Optimization of windturbines siting in a wind farm using genetic algorithm based local search[J]. RenewableEnergy,2018,123(8):748755．

[2] 康彩丽. 遗传算法优化BP神经网络非线性函数拟合的研究[J].忻州师范学院学报,2019,35(05):22-25.

[3] Moeini A, Zargarabadi MＲ．Geneticalgorithm optimization of film cooling effectiveness over a rotating blade[J].InternationalJournal of Thermal Sciences,2018,125(3):248-255．

[4] 王雪峰. 用于函数优化问题的实数编码遗传算法的改进及并行化实现[D].河北大学,2019.

[5] Moussa M, Hmila M, Douik A．A novel facerecognition approach based on genetic algorithm optimization[J].Studies inInformatics＆Control,2018,27(1):127134．

内容总结

以上是互联网集市为您收集整理的遗传算法与函数优化全部内容，希望文章能够帮你解决遗传算法与函数优化所遇到的程序开发问题。如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容，请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

扫描二维码推送至手机访问。

本文链接：https://qyyshop.com/info/596820.html

来源：【匿名】

【上一篇】基于密度的聚类算法——DBSCAN算法【下一篇】浅谈php实现映射的两种方法（链表和二叉树）

更多 ►

【遗传算法与函数优化】教程文章相关的互联网学习教程文章

遗传算法求数值函数的最值【代码】【图】

遗传算法求数值函数的最值0. 引言设有函数：f(x) = x + 10*sin(5*x) + 7*cos(4*x);其图像容易画出，如下所示：先要求求该函数的最大值，读者可能已经有了很多种思路，本文介绍遗传算法是如何解决此类问题的。1. 遗传算法简介如果不关心算法的实现细节的话，遗传算法可以使用如下的流程描述。这基本是借鉴生物种群的自然演化规律而抽象得到的流程图。下面分别解释流程图中的各个步骤。编码众所周知的，生物中都有保存其遗传信息的物...

python-24-初识递归函数与算法【代码】【图】

前言初识递归函数与算法，递归其实就是在函数内部调用自己，算法就是一个计算的方法，我们简单了解一下递归实现的二分查找算法。一、初识递归1、简单递归函数1.如果是这样子，那么就停不下来，但python为了杜绝无限调用，就做了限制。2.限制默认为：998，如下面函数所示。3.递归不合适解决次数很多，因为占内存，但递归能让代码更简单RecursionError:递归错误，是超出了递归的最大深度。# 1、简单递归函数： n = 0 def func():glob...

多元函数链式法则与反向传播算法的实例推演【图】

反向传播算法基于多元函数链式法则，以下记录多元函数链式法则的证明与反向传播算法的实例推演。多元复合函数的求导法则（多元链式法则）定义　　如果函数$u=\varphi(t)$及$v=\psi(t)$都在点$t$可导，函数$z = f(u,v)$在对应点$(u,v)$具有连续偏导数（重点），那么复合函数$z = f[\varphi(t),\psi(t)]$在点$t$可导，且有：$\displaystyle \frac{\mathrm{d}z}{\mathrm{d}t} = \frac{\partial z}{\partial u}\frac{\mathrm{d}u}{\ma...

STL算法设计理念 - 函数对象和函数对象当參数和返回值

函数对象：重载函数调用操作符的类。其对象常称为函数对象（function object），即它们是行为类似函数的对象。一个类对象，表现出一个函数的特征，就是通过“对象名+(參数列表)”的方式使用一个类对象，假设没有上下文，全然能够把它看作一个函数对待。这是通过重载类的operator()来实现的。 “在标准库中。函数对象被广泛地使用以获得弹性”。标准库中的非常多算法都能够使用函数对象或者函数来作为自定的回调行为； demo#incl...

将函数对象用于标准库算法【代码】

1 #include<iostream>2 #include<vector>3 4bool GT6(constint &s){5return s>=6;6 }7int main(){8int a[]={0,1,2,3,4,5,6,7,8,9};9 std::vector<int>vec(a,a+10); 10 std::cout<<count_if(vec.begin(),vec.end(),GT6)<<std::endl; 11return0; 12 }#include<iostream> #include<vector>class GT_cls{ public:GT_cls(int val=0):i(val){}booloperator()(constint &s){return s>=i;} private:int i; };int main(){int a[]...

算法6-1：哈希函数

在上章节中已经介绍了通过红黑树实现键值对数组的查询操作，复杂度是logN。有没有性能更好的算法呢？答案是有。基本想法就是计算关键字的哈希值，再通过哈希值直接获取对应的键值。这种方法的需要解决的问题是：如何计算哈希值如何解决哈系冲突哈希函数目标根据对象中的成员变量的值，按照一定的规则计算出一个整数，这个整数就是哈希值。哈希值最重要的两个属性是：如果a.equals(b)，那么a.hashCode() == b.hashCode()理想状况...

总结 <stdlib.h>头文件在算法中可能会用到的一些函数【代码】

头文件<stdlib.>具有一定的总结性。它定义了类型、宏和各种函数，这些函数用于：内存管理、排序和查找、整形运算、字符串到数字的转换、伪随机数序列、与环境的接口、把多字节字符串和字符转换成宽字符表示或反之。竞赛可能会用到的：1.字符串转换函数： atof(); 把字符串转换成浮点数 atoi(); 将字符串转换成整型数, atoi()会扫描参数字符串，跳过前面的空格字符，直到遇上数字或正负号才开始做转换，而再遇到非...

基于Python的模拟退火算法SA 以函数极值+TSP问题为例（gif动态展示）【代码】【图】

算法流程：实现：base.pyfrom abc import ABCMeta, abstractmethod import typesclass SkoBase(metaclass=ABCMeta):def register(self, operator_name, operator, *args, **kwargs):‘‘‘regeister udf to the class:param operator_name: string:param operator: a function, operator itself:param args: arg of operator:param kwargs: kwargs of operator:return:‘‘‘def operator_wapper(*wrapper_args):return oper...

基本函数算法

1、三角函数　　double sin (double);正弦 sinA=∠A的对边/斜边。是股与弦的比例。　　double cos (double);余弦　　double tan (double);正切　　2 、反三角函数　　double asin (double); 结果介于[-PI/2, PI/2] 　　double acos (double); 结果介于[0, PI] 　　double atan (double); 反正切(主值), 结果介于[-PI/2, PI/2] 　　double atan2 (double, double); 反正切(整圆值), 结果介于[-PI, PI] 　　3 、双曲三角函数...

最短路径算法的命令式、函数式版本对比分析【代码】【图】

C版本（来自最短路径算法—Dijkstra(迪杰斯特拉)算法分析与实现(C/C++)） 1/***************************************2* About: 有向图的Dijkstra算法实现3* Author: Tanky Woo4* Blog: www.WuTianQi.com5***************************************/ 6 7 #include <iostream>8usingnamespace std;9 10constint maxnum = 100;11constint maxint = 999999;12 13 14void Dijkstra(int n, int v, int *dist, int *prev, in...

《算法导论》读书笔记之第3章函数的增长

原文请参考：http://www.cnblogs.com/Anker/archive/2013/01/22/2872261.html本章介绍了算法分析中的渐进分析符号，几个重要渐进记号的定义如下：Θ(g(n))={ f(n): 存在正常数c1,c2和n0，使对所有的n>=n0，有0<=c1g(n)<=f(n)<=c2g(n) }O(g(n))={ f(n): 存在正常数c和n0，使对所有n>=n0，有0<=f(n)<=cg(n) }Ω(g(n))={ f(n): 存在正常数c和n0，使对所有n>=n0，有0<=cg(n)<=f(n) }o(g(n))={ f(n): 对任意正常数c，存在常数n0>0，使对...

【优化求解】基于matlab蚁群算法求解函数极值问题【含Matlab源码 1201期】【代码】【图】

一、蚁群算法简介1 引言在自然界中各种生物群体显现出来的智能近几十年来得到了学者们的广泛关注，学者们通过对简单生物体的群体行为进行模拟，进而提出了群智能算法。其中，模拟蚁群觅食过程的蚁群优化算法(Ant Colony Optimization， A CO) 和模拟鸟群运动方式的粒子群算法(ParticleS warm Optimization，PSO) 是两种最主要的群智能算法。蚁群算法是一种源于大自然生物世界的新的仿生进化算法，由意大利学者M.Dorigo， V.Mani...

流水的算法，铁打的损失函数/MLE【图】

机器学习算法可以说是不少的，如果死记硬背的话，只能当时记得推导过程和步骤，过一段时间就又想不起来了，只能依稀记得一些影子。所以，应该找到算法的一些通用的方法来理解算法的思路以及推导过程。我认为，最大似然估计和损失函数，就是机器学习算法的通用框架，是掌握机器学习算法的钥匙。以下，用实际算法来证实这两把钥匙的威力。1.Linear Regression。可以转化为求损失函数最小，来求解参数θ。之后用梯度下降法来实际求解θ...

Matlab微分进化算法及优化函数测试

微分进化（Difference Evolution，DE）算法是一种优化算法，据称其比GA（遗传算法）等更为优秀。借鉴网上实现的DE算法，用Matlab实现了对若干函数优化问题的解法，代码如下：function [] = de_test clear all; close all; clc;%解：X = [0, 0, ...] %nVar = 30 %dims: [-30, 30] function fitness = sphere(vals) prod = vals .* vals; fitness = sum(prod, 2); end%f(x) = 1/4000 * sum^n_1(x_i)^2 - pro...

回调函数应用（冒泡排序既排整型数组也可排字符串）【代码】

题目：回调函数实现冒泡排序排整数也可排字符串 n为数组元素大小#define _CRT_SECURE_NO_WARNINGS 1 #include <stdio.h> #include <stdlib.h> #include <string.h> //交换函数交换n1 n2指向的变量按字节交换交换size个字节的大小 void swap(char *n1, char *n2,int size) { int i = 0; while(i < size) { char temp = *(n1 + i); *(n1 + i) = *(n2 + i); *(n2 + i) = temp; i++; } } //整数比较函数 int int_cmp(const void *e...

遗传算法 - 相关标签

遗传算法

算法 - 最热教程

浅谈SQLServer查询优化器中的JOIN算法有没那种可逆算法是密文比明文短的呢？...javascript-类似Excel里面的NORMDIST函...C++中的分治算法及常见题目汇总压缩感知重构算法综述-学习笔记 c++中内置函数qsort（快速排序）和bsea...一、fpga图像处理算法整合基于遗传算法（deap）的非线性函数寻优...集成学习-Bagging集成学习算法随机森林...机器学习笔记（九）聚类算法及实践（K-...

首页 / 算法 / 遗传算法与函数优化

遗传算法与函数优化

内容导读

内容图文

内容总结

内容备注

内容手机端

【遗传算法与函数优化】教程文章相关的互联网学习教程文章

遗传算法 - 相关标签

算法 - 最新教程

算法 - 最热教程