作者：桂。

時間：2017-08-13 13:49:55

鏈接：http://www.cnblogs.com/xingshansi/p/7353340.html

前言

　　用到了遺傳算法，簡單記錄思路。遺傳算法（GA）對於學習任何一門學問都有幫助，它是一種普適的學習方法。

一、遺傳算法簡介

　　遺傳算法（Genetic algorithm，GA）是仿生算法的一種，基本思想是：優勝劣汰+染色體組合（編碼、交叉、變異）。主要用來求解優化問題，例如一元函數、多元函數、非線性規劃、神經網絡的參數組等等，本質都是參數的優化求解。

二、遺傳算法步驟

　　簡要劃分為6個步驟：

1）編碼：例如求解x，給定x範圍，希望參數誤差小於1e-4，這個數據→xmin+(xmax-xmin)/分辨率 進行編碼時，例如采用二進制編碼，編碼長度便可以計算出來。

2）初始群體生成：即初始化參數，並指定個體數目（無限大就相當於遍歷求解）。

3）適應度評估：相當於準則函數（以最小化為例），如果準則函數越小，則適應度越大，後期越可能存活下來（下一步驟：選擇 需要借助適應度）；

4）選擇：這一步體現了：適者生存的哲學，從當前個體中選擇優良個體，適應度大的選擇概率更大（這就對應了輪盤算法，概率大的中獎幾率大嘛，有的還將最優結果直接保留，而不參與到概率選擇中。）；

5）交叉：交叉的方式很多，最基本的就是選定一個編碼片區，不同的個體進行交換，這一步保證了個體盡量不重復。較差概率通常較大，如0.8。

6）變異：當進化到後期，個體非常相似，交叉可能得到相同的結果，因此變異創造了更多可能，變異因為具有隨機性，因此變異概率較小，如0.01。

指定遺傳的代數N，或者設定適應度門限，完成進化。大概流程：

三、工具包

　　謝菲爾德（Sheffield）大學的MATLAB遺傳工具箱。網上教程很多，工具箱也自帶使用說明。

　　應用舉例：

clc
clear all
close all
addpath(genpath(‘./gatbx/‘));

figure(1);
hold on;
lb=1;ub=2; 
ezplot(‘sin(10*pi*X)/X‘,[lb,ub]);   
xlabel(‘自變量/X‘)
ylabel(‘函數值/Y‘)

NIND=40;        
MAXGEN=20;      
PRECI=20;       
GGAP=0.95;      
px=0.7;         
pm=0.01;        
trace=zeros(2,MAXGEN);                        
FieldD=[PRECI;lb;ub;1;0;1;1];                      
Chrom=crtbp(NIND,PRECI);                      

gen=0;                                  
X=bs2rv(Chrom,FieldD);                 
ObjV=sin(10*pi*X)./X;        
while gen<MAXGEN
   FitnV=ranking(ObjV);                               
   SelCh=select(‘sus‘,Chrom,FitnV,GGAP);              
   SelCh=recombin(‘xovsp‘,SelCh,px);                  
   SelCh=mut(SelCh,pm);                               
   X=bs2rv(SelCh,FieldD);               
   ObjVSel=sin(10*pi*X)./X;             
   [Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); 
   X=bs2rv(Chrom,FieldD);
   gen=gen+1;                                             
   
   [Y,I]=min(ObjV);
   trace(1,gen)=X(I);                            
   trace(2,gen)=Y;                               
end
plot(trace(1,:),trace(2,:),‘bo‘);                            
grid on;
plot(X,ObjV,‘b*‘);   
hold off

figure(2);
plot(1:MAXGEN,trace(2,:));
grid on
xlabel(‘遺傳代數‘)
ylabel(‘解的變化‘)
title(‘進化過程‘)
bestY=trace(2,end);
bestX=trace(1,end);
fprintf([‘最優解:\nX=‘,num2str(bestX),‘\nY=‘,num2str(bestY),‘\n‘])

遺傳算法