设置一个问题遗传算法

遗传算法使用遗传算法搜索函数的最小值。对于本例，使用遗传算法最小化适应度函数shufcn，两个变量的实值函数。

锅shufcn在范围内= [-2 2;-2]通过调用plotobjective。

plotobjective (@shufcn [2 2;2 2]);

使用遗传算法求解器，提供至少两个输入参数，一个适应度函数和变量的数量在问题。返回的前两个输出参数遗传算法是x，找到最好的点，和Fval，函数值在最佳点处。第三个输出参数，exitFlag告诉你原因遗传算法停止了。遗传算法也可以返回第四个参数，输出，其中包含有关求解器性能的信息。

FitnessFunction = @shufcn;numberOfVariables = 2;

运行遗传算法解算器。

rng默认的%的再现性[x, Fval exitFlag、输出]= ga (FitnessFunction numberOfVariables);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('代数为:%d\n', Output.generations);

代数是:124

流('函数求值的数量为:%d\n', Output.funccount);

函数计算的次数为:5881

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-186.199

如果运行此示例时不带rng违约命令，你的结果会不同，因为遗传算法是一种随机算法。

遗传算法是如何工作的

遗传算法使用一组适用于该种群的操作符对该种群进行工作。总体是设计空间中的一组点。默认情况下，初始总体是随机生成的。种群的下一代是用当前世代的个体的适合度来计算的。有关详细信息,请参见遗传算法是如何工作的

添加可视化

要在运行时可视化求解器性能，请设置a“PlotFcn”选择使用optimoptions。在本例中，在单元格数组中选择两个绘图函数。集gaplotbestf，绘制出每一代人的最佳和平均得分。还gaplotstopping，绘制满足停止条件的百分比。

选择= optimoptions (@ga,“PlotFcn”, {@gaplotbestf, @gaplotstopping});

运行遗传算法解算器,包括选择论点。

[x, Fval exitFlag、输出]=…ga (FitnessFunction numberOfVariables,[][],[],[],[],[],[],选择);

优化终止:适应度值的平均变化小于可选值。功能容限。

指定人口选项

指定人口规模

遗传算法使用统一随机数生成器创建默认初始填充。所使用的默认填充大小遗传算法当决策变量个数小于5时为50，否则为200。对于某些问题，这个尺寸可能是一个可怜的;较小的人口规模足以解决较小的问题。由于当前问题只有两个变量，所以指定总体大小为10。设置选项的值PopulationSize在现有的选项中，选择。

选择。PopulationSize = 10;

指定初始总体范围

生成初始总体的默认方法使用均匀随机数生成器。对于没有整数约束的问题，遗传算法创建一个初始种群，其中所有的点都在-10到10的范围内。例如，在一个有两个变量的问题中，一个规模为3的总体可能是:

人口= [-10，-10]+ 20*rand(3,2);

可以通过更改属性设置初始范围InitialPopulationRange选择。范围必须是一个两行矩阵。如果范围只有一列，也就是说，它是2乘1的，那么每个变量的范围就是给定的范围。例如，如果您将范围设置为(1;1]，则两个变量的初始范围为-1到1。要为每个变量指定不同的初始范围，必须将该范围指定为包含两行和的矩阵numberOfVariables列。例如，如果您将范围设置为[1 0;1 2]，那么第一个变量的范围为-1到1，第二个变量的范围为0到2(每列对应一个变量)。

修改选项的值InitialPopulationRange在现有的选择中，选择。

选择。InitialPopulationRange = [-1 0;1 2];

运行遗传算法解算器。

[x, Fval exitFlag,输出]= ga (FitnessFunction numberOfVariables, [], [], [],…[]、[][],[],选择);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('代数为:%d\n', Output.generations);

代数为:67

流('函数求值的数量为:%d\n', Output.funccount);

函数计算的次数为:614

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-179.987

复制的结果

默认情况下,遗传算法从使用MATLAB®随机数生成器创建的随机初始种群开始。下一代是用遗传算法运算符也使用相同的随机数生成器。每当生成随机数时，随机数生成器的状态就会改变。这意味着，即使您没有更改任何选项，当您再次运行时，您也可以得到不同的结果。

运行求解程序两次以显示此现象。

运行遗传算法解算器。

[x, Fval exitFlag、输出]= ga (FitnessFunction numberOfVariables);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-186.484

运行遗传算法一次。

[x, Fval exitFlag、输出]= ga (FitnessFunction numberOfVariables);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-185.867

在前两轮中，遗传算法给不同的结果。结果是不同的，因为随机数生成器的状态从一次运行变化到另一次运行。

如果您知道要在运行之前重新生成结果遗传算法，您可以保存随机数流的状态。

状态=提高;

运行遗传算法。

[x, Fval exitFlag、输出]= ga (FitnessFunction numberOfVariables);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-186.467

重置流并重新运行遗传算法。结果与前一次运行相同。

rng(状态);[x, Fval exitFlag、输出]= ga (FitnessFunction numberOfVariables);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-186.467

但是，您可能没有意识到在运行之前需要尝试重新生成结果遗传算法。在这种情况下，只要你有输出结构，您可以重置随机数生成器如下。

strm = RandStream.getGlobalStream;strm。状态= Output.rngstate.State;

重新运行遗传算法。同样，结果是相同的。

[x, Fval exitFlag、输出]= ga (FitnessFunction numberOfVariables);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-186.467

停止准则修改

遗传算法使用四种不同的标准来决定何时停止求解器。遗传算法当达到最大代数时停止;默认情况下，这个数字是变量数的100倍。遗传算法还检测以秒为单位的一段时间(停顿时间限制)或某些代数(最大停顿代数)的最佳适应性值是否没有变化。另一个标准是最大时间限制(以秒为单位)。修改停止条件，将最大代数增加到300，最大失速代数增加到100。

选择= optimoptions(选择,“MaxGenerations”, 300,“MaxStallGenerations”, 100);

重新运行遗传算法解算器。

[x, Fval exitFlag,输出]= ga (FitnessFunction numberOfVariables, [], [], [],…[]、[][],[],选择);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('代数为:%d\n', Output.generations);

代数是299

流('函数求值的数量为:%d\n', Output.funccount);

函数计算的次数为:2702

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-186.729

选择遗传算法运营商

遗传算法从种群中的随机点集开始，并使用运算符产生下一代种群。不同的操作符是缩放、选择、交叉和变异。工具箱为每个操作符提供了几个可供选择的函数。选择fitscalingprop为FitnessScalingFcn和selectiontournament为SelectionFcn。

选择= optimoptions (@ga,“SelectionFcn”@selectiontournament,…“FitnessScalingFcn”, @fitscalingprop);

重新运行遗传算法。

[x, Fval exitFlag,输出]= ga (FitnessFunction numberOfVariables, [], [], [],…[]、[][],[],选择);

优化终止:适应度值的平均变化小于可选值。功能容限。

流('代数为:%d\n', Output.generations);

代数为:52

流('函数求值的数量为:%d\n', Output.funccount);

函数计算的次数为:2497

流('找到的最佳函数值为:%g\n', Fval);

得到的最佳函数值为-186.417

最佳函数值可以通过选择不同的操作符来提高或降低。为您的问题选择一组好的操作符通常最好通过实验来完成。