pg下载官方认证 遗传算法小结及算法实例（附Matlab代码）

目录

1、遗传算法流程

遗传算法的运算流程如下图所示：

具体步骤如下：

（1）进行初始化操作，将进化代数计数器设为 \(g = 0\)，设定最大进化代数为 \(G\)，随即生成 \(NP\) 个个体pg下载赏金下载，以此作为初始群体 \(P(0)\)。

（2）个体评价。计算群体 \(P(t)\)中各个个体的适应度。

（3）展开来说，选择运算即是，把选择算子施加于群体之上，依据个体的适应度情况pg下载麻将胡了A.旗舰厅进体育.cc，依照某种特定的规则或者方法，挑选出一些优良个体，使之遗传至下一代群体当中。

（4）通过交叉运算，把交叉算子施加于群体之上，针对被选中的成对个体，按照某一概率，互换它们之间的部分染色体，进而产生新的个体。

（5）变异运算，把变异算子使用在群体上，针对于被选中的个体，按照某一概率将某一个或者某一些基因值改变成别的等位基因。群体 \(P(t)\) 经选择运算、交叉运算、变异运算之后得到下一代群体 \(P(t + 1)\)。计算其适应度的值。并依据适应度的值展开排序，为进行下一次遗传操作做好准备。

（6）开始进行终止条件判断，当出现若 \(g≤G\) 的情况时，会使得 \(g = g+1\)pg下载通道，然后转到步骤（2）；要是出现若 \(g > G\) 的情况，那么在这个进化过程中所得到的具有最大适应度的个体就会被用作最优解输出，进而终止计算。

2、关键参数说明 （1）群体规模 \(NP\)

最终结果会受群体规模影响，遗传优化的结果会被改变，执行效率同样会因群体规模改变。群体规模 \(NP\) 小的时候，遗传优化性能通常不太出色。较大群体规模能降低遗传算法陷入局部最优解的可能性，不过较大群体规模涉及的计算复杂度较高。一般情况下， \(NP\) 的取值范围是 \(10\) 到 \(200\)。

（2）交叉概率 \(P_c\)

交叉概率 \(P_c\)，对交叉操作被使用的频度起着控制作用，较大的交叉概率，能够增强遗传算法开辟新的搜索区域的能力，然而高性能的模式遭到破坏的可能性会增大，要是交叉概率太低，那么遗传算法搜索可能会陷入迟钝状态，一般情况下，\(P_c\)取值在 \(0.25～1.00\)。

（3）变异概率 \(P_m\)

在遗传算法里，变异属于具有辅助性质的搜索操作，其主要目的在于维持群体的多样性。一般来说，低频度的变异能够防止群体中重要基因出现可能丢失的情况，高频度的变异会致使遗传算法趋向于纯粹的随机搜索。通常情况下，\(P_m\)取值在\(0.001\)至\(0.1\)的范围。

（4）进化代数 \(G\)

一个表示遗传算法运行结束条件的参数是终止进化代数 \(G\)，它意味着遗传算法运行到指定的进化代数后就会停止运行，还会把当前群体里的最佳个体当作所求问题的最优解给出输出。通常是视具体问题来决定 ，\(G\) 的取值能够在 \(100～1000\) 这个范围之间。

3、MATLAB仿真实例 3.1  遗传算法求解一元函数的极值

例题二点一，运用标准遗传算法去求函数\(f (x) = x+10\sin(5x)+7\cos(4x)\) 的最大值，当中\(x\) 的取值范围为\(\)。这是一个存在多个局部极值的函数，其函数值图形如下所示为图。

解：仿真过程如下：

（1）初始化种群数目为 \(NP = 50\)，染色体二