- 1、本文档共10页,可阅读全部内容。
- 2、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
- 3、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 4、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
查看更多
遗传算法
精品文档
精品文档
收集于网络,如有侵权请联系管理员删除
收集于网络,如有侵权请联系管理员删除
精品文档
收集于网络,如有侵权请联系管理员删除
Southwest University of Science and Technology
实验报告
课程名称:智能控制理论与方法
实验题目:遗传算法
专业班级:控制理论与控制工程
学生姓名:桑瑞娟
学生学号:2010000408
实验时间:2010年1月13日
指导教师:黄玉清 教授
西南科技大学信息工程学院
一、实验目的
掌握遗传算法的基本概念,遗传算法的基本原理;理解遗传算法的三个基本运算,学会在MATLAB中设计遗传算法的基本步骤;利用GA算法,编制程序优化给定的函数,并把优化结果与一般优化方法相比较。
二、实验原理
遗传算法(Genetic Algorithms,简称GA)是人工智能的重要新分支,是基于达尔文进化论,在计算机上模拟生命进化机制而发展起来的一门新学科。它根据适者生存,优胜劣汰等自然进化规则来进行控索计算和问题求解。
在自然界的演化过程中,生物体通过遗传(传种接代,后代与父辈非常相像)、变异(后代与父辈不完全相象)来适应外界环境,一代又一代地优胜劣汰,发展进化。GA模拟了上述进化现象。它把搜索空间(欲求解问题的解空间)映射为遗传空间,即把每一个可能的解编码为一个向量,称为一个染色体(chromosome)或个体,它表示为二进制或十进制数字串。向量的每个元素称为基因(genes)。所有染色体组成群体(population)或集团,并按预定的目标函数(或某种评价指标,如商业经营中的利润,工程项目中的最小费用等)对每个染色体进行评价,根据其结果给出一个适应度的值。算法开始时先随机地产生一些染色体(欲求解问题的候选解),计算其适应度。根据适应度对诸染色体进行选择、交换、变异等遗传操作,剔除适应度低(性能不佳)的染色体,留下适应度高(性能优良)的染色体,从而得到新的群体。由于新群体的成员是上一代群体的优秀者,继承了上一代的优良使态,因而明显优上于一代。GA就这样反复迭代,向着更优解的方向进化,直至满足某种预定的优化指标。
利用GA算法,编制程序优化下列函数
并把优化结果与一般优化方法相比较。
遗传算法工作原理图如下:
图 一: 遗传算法工作原理示意图
三、实验步骤
1)根据给定的目标函数画出它的三维图像,如图二。对应的MATLAB代码见dfun.m。
图 二: 目标函数图像
2)选择二进制编码,程序中的主要变量:个体的数量NIND为80,最大遗传代数为MAXGEN=50,变量维数为NVAR=2,每个变量使用20位表示,即PRECI=20,使用代沟GGAP=0.9,详见gamin.m,目标函数离散化见gafun.m。
下面画出迭代后个体的目标函数值分布图和遗传算法性能跟踪图,遗传算法的运行结果如下:
(1)初始种群中个体的目标函数值分布图,如图三所示:
图三: 初始种群中个体的目标函数值分布图
(2)经过一次迭代后的目标函数值如图四所示,此时x=0.9374,y= -1.6728,
minf(x,y)=0.1183。
图四: 经过一次迭代后的结果
(3)经过10次迭代后的目标函数值如图五所示,此时x=-4.0416,y= -2.5285,
minf(x,y)=0.0217。
图五 :经过10次迭代后的结果
(4)经过20次迭代后的目标函数值如图六所示,此时x=1.4560,y= -4.6454,
minf(x,y)=0.0030。
图六: 经过20次迭代后的结果
(5)经过30次迭代后的目标函数值如图七所示,此时x=1.5512,y=0.2385,
minf(x,y)=0.0025。
图七: 经过30次迭代后的结果
(6)经过40次迭代后的目标函数值如图八所示,此时x=1.4653,y= 0.5610,
minf(x,y)=0.0025。
图八: 经过40次迭代后的结果
(7)经过50次迭代后的目标函数值如图九所示,此时x=0.8611,y= 1.3127,
minf(x,y)=0.0025。
图九:经过50次迭代后的结果
(8)经过50次迭代后,最优解的变化和种群均值的变化如图十所示:
图十: 经过50次迭代后最优解的变化和种群均值的变化
3)用传统的优化方法来优化给定的函数,具体的MATLAB代码见fun.m
这里用了3种一般的优化方法,它们的初始条件都取[1,1],fmincon(多变量有约束条件的最小值)时跟fminunc(梯度最优化算法(没有约束条件))优化的结果一样,都为x=y=1.1096,f(x,y)=0.0025;而用fmins
文档评论(0)