设置一个问题遗传算法

遗传算法利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。

情节shufcn在范围内= [-2 2;-2 2]通过调用plotobjective．

plotobjective（@shufcn，[-22；-22]）；

使用遗传算法解算器，提供至少两个输入参数、一个适应度函数和问题中的变量数。返回的前两个输出参数遗传算法是x，找到的最佳点，以及Fval，函数在最佳点处的值。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，其中包含有关解算器性能的信息。

FitnessFunction = @shufcn;numberOfVariables = 2;

运行遗传算法解算器。

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

优化终止：适应值的平均变化小于options.FunctionTolerance。

流('代数为：%d\n', Output.generations);

代数为：124

流('函数的计算次数为:%d\n', Output.funccount);

函数求值次数为:5881次

流('找到的最佳函数值为：%g\n'，Fval）；

得到的最佳函数值为-186.199

如果您运行这个例子没有rng默认值命令，您的结果可能会有所不同，因为遗传算法是一种随机算法。

遗传算法是如何工作的

遗传算法使用一组应用于种群的算子对种群进行运算。总体是设计空间中的一组点。默认情况下，初始填充是随机生成的。下一代种群是使用当前一代个体的适应度来计算的。有关详细信息，请参阅遗传算法是如何工作的

添加可视化

要可视化运行时的求解器性能，请设置“PlotFcn”选项使用optimoptions. 在这种情况下，在单元格数组中选择两个绘图函数。设置gaplotbestf它绘制出每一代人口的最佳和平均得分。还间隙停车，绘制满足停止标准的百分比。

opts=options（@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：适应值的平均变化小于options.FunctionTolerance。

指定人口选项

指定总体大小

遗传算法使用统一随机数生成器创建默认初始填充。所使用的默认总体大小遗传算法当决策变量数小于5时为50，否则为200。对于某些问题来说，这种尺寸可能很差；较小的总体规模足以解决较小的问题。由于当前问题只有两个变量，请指定人口规模为10。设置选项的值PopulationSize在现有的方案中，增加到10个，选择．

opts.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总体，其中所有点都在–10到10的范围内。例如，具有两个变量的问题中大小为3的总体可能如下所示：

人口=[-10，-10]+20*兰特（3,2）；

初始范围可以通过改变InitialPopulationRange选项范围必须是具有两行的矩阵。如果范围只有一列，即2乘1，那么每个变量的范围就是给定的范围。例如，如果将范围设置为[-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具有两行和两行的矩阵变量数列。例如，如果您将范围设置为[1 0;1 2]，则第一个变量的范围是-1到1，第二个变量的范围是0到2(每一列对应一个变量)。

修改选项的值InitialPopulationRange在现有方案中，选择．

选择。初始化人口范围= [-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：适应值的平均变化小于options.FunctionTolerance。

流('代数为：%d\n', Output.generations);

世代数为：67

流('函数的计算次数为:%d\n', Output.funccount);

功能评估的数量为：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

重现结果

默认情况下，遗传算法从一个使用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这些随机数生成器。每产生一个随机数，随机数生成器的状态就会改变。这意味着，即使您不更改任何选项，当您再次运行时，也会得到不同的结果。

运行解算器两次以显示此现象。

运行遗传算法解算器。

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

优化终止：适应值的平均变化小于options.FunctionTolerance。

流('找到的最佳函数值为：%g\n'，Fval）；

找到的最佳函数值为：-186.484

运行遗传算法再一次

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

优化终止：适应值的平均变化小于options.FunctionTolerance。

流('找到的最佳函数值为：%g\n'，Fval）；

得到的最佳函数值为-185.867

在前两次竞选中,，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在每次运行中都发生了变化。

如果您知道要在运行前重现结果遗传算法，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：适应值的平均变化小于options.FunctionTolerance。

流('找到的最佳函数值为：%g\n'，Fval）；

找到的最佳函数值为：-186.467

重置流并重新运行遗传算法．结果与上次运行相同。

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

优化终止：适应值的平均变化小于options.FunctionTolerance。

流('找到的最佳函数值为：%g\n'，Fval）；

找到的最佳函数值为：-186.467

但是，您可能没有意识到您想在运行之前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;

重播遗传算法．同样，结果是相同的。

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

优化终止：适应值的平均变化小于options.FunctionTolerance。

流('找到的最佳函数值为：%g\n'，Fval）；

找到的最佳函数值为：-186.467

停止准则修改

遗传算法使用四个不同的标准来确定何时停止求解器。遗传算法达到最大代数时停止；默认情况下，此数字是变量数的100倍。遗传算法还检测以秒为单位给定的某段时间（暂停时间限制）或某些代数（最大暂停代数）的最佳适应度值是否没有变化。另一个标准是以秒为单位的最大时间限制。修改停止条件以将最大代数增加到300，将最大失速代数增加到100。

选择= optimoptions(选择,“MaxGenerations”,300,“超级世代”, 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：适应值的平均变化小于options.FunctionTolerance。

流('代数为：%d\n', Output.generations);

代数为:299

流('函数的计算次数为:%d\n', Output.funccount);

函数求值次数为: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开始，使用算子来产生下一代种群。不同的操作是缩放、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．

opts=options（@ga，“SelectionFcn”@selectiontournament,．．．“FitnessScalingFcn”，@fitscalingprop）；

重播遗传算法．

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

优化终止：适应值的平均变化小于options.FunctionTolerance。

流('代数为：%d\n', Output.generations);

代数为：52

流('函数的计算次数为:%d\n', Output.funccount);

函数求值次数为:2497

流('找到的最佳函数值为：%g\n'，Fval）；

找到的最佳函数值为:-186.417

通过选择不同的运算符，可以使最佳的函数值得到改善或恶化。为您的问题选择一组好的运算符通常最好通过实验来完成。