Matlab无基础快速上手1（遗传算法框架）

本文用经典遗传算法框架模板，对matlab新手友好，快速上手看懂matlab代码，快速应用实践，源代码在文末给出。

基本原理：

遗传算法（Genetic Algorithm，GA）是一种受生物学启发的优化算法，它模拟了生物进化中的基因遗传和自然选择过程，通过模拟“进化”过程来搜索问题的最优解或近似最优解。

遗传算法的基本思想是通过对候选解（称为个体或染色体）的不断进化和变异来搜索最优解。在遗传算法中，每个个体都代表了问题的一个潜在解，并且具有一个与其适应度相关联的数值，用于评价个体的优劣。

遗传算法的主要步骤包括：

  • 初始化：随机生成一组初始个体（种群），并为每个个体计算适应度。
  • 选择：根据个体的适应度值，使用选择算子（如轮盘赌算法、竞争选择等）选择一部分个体作为父代。
  • 交叉：从父代中选取一对个体，通过交叉操作产生新的个体（子代），以增加种群的多样性。
  • 变异：对新生成的个体进行变异操作，以引入新的基因组合，增加种群的多样性。
  • 替换：使用替换策略（如保留最优个体、精英保留等）更新种群，产生下一代。
  • 重复迭代：重复进行选择、交叉、变异和替换步骤，直到满足停止条件（如达到最大迭代次数、找到满意解等）。

        通过不断重复这些步骤，遗传算法能够在解空间中搜索出较好的解，逐步逼近最优解。由于其并行性和全局搜索能力，遗传算法被广泛应用于各种领域的优化问题，如工程优化、机器学习、数据挖掘等。

参数与子函数定义：

此代码的待解决问题为function函数，也就是多元函数平方和求极小值问题，看懂代码后，可将function应用为自己的待解决问题。

function MySGA
NP = 50;                     %种群规模
Max_N = 1000;                %迭代次数
Pc = ones(1,NP)*0.8;         %ones表示创建一个全为1的数组，参数为数组大小
Pm = ones(1,NP)*0.1;         %变异概率
D = 500;
MinX = -100;
MaxX = 100;
Error = 1.0e-10;
X = MinX + (MaxX - MinX)*rand(NP,D);
F=fun(X);
[BestF,BestLow] = min(F);function F = fun(X)
for i = 1:1:length(X(:,1))F(i) = sum(X(i,:).^2)
end

代码讲解：

ones函数：

这里出现了ones函数

  • 用法为：A = ones(sz)
  • sz为参数，可以是一个表示数组大小的向量，可以是一个数字标量、一个向量或一个矩阵
  • 这个函数表示将一个空间内的元素都置为1
  • ones（3）创建一个 3x3 的矩阵，所有元素都为 1。只有一个参数默认还是2维x2维的矩阵。尽量使用ones（3，3）来创建，增加代码可读性
  • ones（2,4） 创建一个 2x4 的矩阵，所有元素都为 1。
  • ones（[2,3,4]）创建一个 2x3x4 的数组，所有元素都为 1。

标量，向量，矩阵

这里提到了标量，向量，矩阵，这里继续学习一下：

  • 数字标量：就是一个普通的数
  • 向量：向量是一种特殊的数组，它只有一个维度，有水平和垂直两种向量，也可以说行向量或者列向量，例如：行向量：v = [1, 2, 3, 4];列向量：v = [1; 2; 3; 4];
  • 矩阵：矩阵是一个由数字按行和列排列成的二维数组。
  • 创建一个矩阵：A = [1, 2, 3; 4, 5, 6; 7, 8, 9];

这里的Pc = ones(1,NP)*0.8就表示创建一个包含1行，NP列的数组，全为0.8，表示变异概率。

这里出现了Error = 1.0e-10;，这种表示方法为科学计数法表示1 \times 10^{-10} 

接下来是X = MinX + (MaxX - MinX)*rand(NP,D);这里先看rand函数

rand函数：

  • 定义：rand函数用于生成指定大小的服从均匀分布的随机数矩阵或随机数向量
  • 参数：两个参数表示生成mxn维的矩阵，矩阵元素为0-1之间的随机数，若有一个参数为n则表示生成一个包含n个0-1之间随机数的向量，若无参数则生成一个0-1之间的随机数
  • 返回：例如r = rand(3, 3)，这会生成一个3x3的矩阵返回给r，且矩阵的元素为（0，1）之间的随机值

        再看这个代码， (MaxX - MinX)*rand(NP,D)表示生成为（0，MaxX - MinX）直接的随机值的NP行，D列的矩阵，前面再加上MinX就表示生成范围为（MinX，MaxX）之间的NP行，D列的矩阵。

F=fun(X)

子函数代码：

function F = fun(X)
for i = 1:1:length(X(:,1))F(i) = sum(X(i,:).^2)
end
 for函数：
for index = start:increment:end 
% 在这里执行循环体代码 
end

 start是开始值，increment是步长，end是结束值，步长为1的话可以省略increment

length函数：

length函数用于返回数组的长度或矩阵的最大维度

例如：

vec = [1, 2, 3, 4, 5];
len = length(vec); % 返回 5，因为 vec 含有 5 个元素

 len为5，因为有5个元素

mat = [1, 2, 3; 4, 5, 6];
len = length(mat); % 返回 3，因为矩阵的列数为 3

len为3，因为矩阵有3列 

X(:,1)用法：

 这表示选中X矩阵的所有行的第一个元素，：表示所有，也就是提取出X的第一列的内容

分析此函数功能

for i = 1:1:length(X(:,1))表示根据X的第一列的长度进行遍历，也就是循环次数为X的行数。

F(i) = sum(X(i,:).^2)这个代码中，X(i,:)表示选中第i行的所有列，也就是提取出第i行元素，.^2表示进行乘方运算，那么这个代码的运行结果就是将第i行的所有元素平方和相加赋值给F的第i个元素。

min函数：

  • 定义：min函数用于找到数组或矩阵中的最小值及其对应的索引（若有多个列则按列索引）
  • 格式：[M, I] = min(A)
  • 参数：参数A为待索引矩阵或向量
  • 返回值：返回值为一个一维矩阵，一行或一列矩阵返回该行或该列的最小值和所在行/列位置，多行矩阵的话，第一个元素为A第一列的最小值，第二个元素为A第一列最小值的索引位置

 主函数实现：

选择：

for gen = 1:1:Max_N %循环迭代次数time(gen) = gen;tmpF = cumsum(F/sum(F);     %归一化disp(tmpF);CopyX = X;for i = 1:1:NP %通过适应度选择个体rnd = rand;%生成0-1之间的数for flag = 1:1:NPif(rnd  < tmpF(flag))break;endX(i,:) = CopyX(flag,:);end    endend

        如上述代码所示，首先第一个for循环是循环迭代次数，下面的代码为每一次迭代所需要的操作，其中，选择操作采用了轮盘赌选择法。

        time数组记录当前迭代次数，tmpF是制作好的轮盘。

分析tmpF的实现：

        首先轮盘赌选择法是基于适应度进行选择的，适应度与选中概率成正比，适应度越高那么被选中的概率越大。轮盘的制作分为两步：

1.根据适应度计算概率

设种群规模为N，F_{i}表示第i个个体的适应值，那么这个个体被选中的概率为：P_{i}=\frac{F_{i}}{\sum_{j=1}^{N}F_{j}}

代码中F/sum(F)实现此功能。

2.归一化制作轮盘

        要实现概率越高选中越大就要将这个所有个体的概率归一化，那么使用cumsum函数计算每个个体与它前所有元素的累加和，这样就制作好了一个轮盘，实现所有个体被选中的累计概率为1。如下图所示：因此第一个for循环代码表示遍历整个种群对每个个体进行更新，rnd=rand表示模拟轮盘转动。第二个for循环进行个体选择。

        上述提到的是经典遗传算法问题的轮盘制作过程，本模板需要计算的是多元函数求极值问题，具体为多个未知数的平方和最小问题，因此这里用F表示适应度的话，F越小、适应度越小被选中概率越高，因此轮盘制作代码需要改为如下：

tmpF = cumsum((1./F)/sum(1./F));

交叉：

    Pc_rand=rand(1,NP);for i=1:2:(NP-1)if Pc(i) > Pc_rand(i)alfa=rand;CpX = X(i,:);X(i,:)=alfa*X(i+1,:)+(1-alfa)*X(i,:);X(i+1,:)=alfa*CpX+(1-alfa)*X(i+1,:);endend

 Pc_rand为1行NP列，也就是一行NP个元素，每个元素为0-1随机值的矩阵。使用它判断每两个个体是否进行交叉操作，Pc为1行NP列，元素全为0.8的矩阵，代表进行交叉操作的概率。

开始循环，循环次数为种群的一半，代表一次是否选中两个个体进行交叉操作，循环里进行判断是否进行交叉操作，实现了交叉操作概率为0.8。

交叉操作：生成一个0-1之间的随机数alfa = rand；将第i个个体乘以（1-alfa）加上第i+1个个体乘以alfa更新为第i个个体，第i+1个个体同理。

变异：

    Pm_rand=rand(NP,D);for i=1:1:NPfor j=1:1:Dif Pm(i) > Pm_rand(i,j)X(i,j)=MinX+(MaxX-MinX)*rand;endendend

这个代码就很简洁了，遍历每个个体的每个参数，当0.01比这个值大时（0.01就是变异概率），就随机改变这个参数的值，也就是变异了。 

后续处理：

    X(NP,:)=bestX;%保留最佳个体防止淘汰F=fun(X); %评估当前种群[BestF,BestLow] = min(F);bestX=X(BestLow,:);result(gen)=BestF;  %记录结果

        X(NP,:)=bestX就是将上一次循环后的最优个体保留，防止种群的最后一个个体位置，确保每次迭代的最佳个体被保留在种群中，以防止其在后续的进化过程中被淘汰掉。

整体代码：

function MySGA
NP = 100;                     %种群规模
Max_N = 10000;                %迭代次数
Pc = ones(1,NP)*0.8;         %ones表示创建一个全为1的数组，参数为数组大小
Pm = ones(1,NP)*0.01;         %变异概率
flagc=[0,Max_N]; 
D = 50;
MinX = -100;
MaxX = 100;
Error = 1.0e-10;
X = MinX + (MaxX - MinX)*rand(NP,D);
F=fun(X);
[BestF,BestLow] = min(F);
bestX=X(BestLow,:);
%disp(F);
for gen = 1:1:Max_N %循环迭代次数time(gen) = gen;tmpF = cumsum((1./F)/sum(1./F));     %归一化%disp(tmpF);CopyX = X;for i = 1:1:NP %通过适应度选择个体rnd = rand;%生成0-1之间的数for flag = 1:1:NPif(rnd  < tmpF(flag))break;endX(i,:) = CopyX(flag,:);end    end%种群交叉Pc_rand=rand(1,NP);for i=1:2:(NP-1)if Pc(i) > Pc_rand(i)alfa=rand;CpX = X(i,:);X(i,:)=alfa*X(i+1,:)+(1-alfa)*X(i,:);X(i+1,:)=alfa*CpX+(1-alfa)*X(i+1,:);endend%种群变异Pm_rand=rand(NP,D);for i=1:1:NPfor j=1:1:Dif Pm(i) > Pm_rand(i,j)X(i,j)=MinX+(MaxX-MinX)*rand;endendendX(NP,:)=bestX;%保留最佳个体防止淘汰F=fun(X);%------------------------------ 种群评估 -------------------------------[BestF,BestLow] = min(F);bestX=X(BestLow,:);%--------------------------- 记录结果 ----------------------------------result(gen)=BestF;if (BestF<Error) & (flagc(1)==0)flagc(1)=1;flagc(2)=gen;endif mod(gen,1000)==0disp(['代数：',num2str(gen),'----最优：',num2str(BestF)]);%disp(X);end
end
plot(time,result)
function F = fun(X)
for i = 1:1:length(X(:,1))F(i) = sum(X(i,:).^2);
end

此代码在交叉操作中还可以采用别的方式，可以读懂代码后，继续尝试增加多种方式。

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/bicheng/1384.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

在Gtiee搭建仓库传代码/多人开发/个人代码备份---git同步---TortoiseGit+TortoiseSVN

在Gtiee搭建仓库传代码/多人开发/个人代码备份---git同步---TortoiseGit+TortoiseSVN

文章目录 前言1.安装必要软件2. Gitee建立新仓库git同步2.1 Gitee建立新仓库2.2 Gitee仓库基本配置2.3 Git方式进行同步 3. TortoiseGitTortoiseSVN常用开发方式3.1 秘钥相关3.2 TortoiseGit拉取代码TortoiseGit提交代码 4. 其他功能探索总结 前言 正常企业的大型项目都会使用…
阅读更多...
TR5 - Transformer的位置编码

TR5 - Transformer的位置编码

&#x1f368; 本文为&#x1f517;365天深度学习训练营 中的学习记录博客&#x1f356; 原作者&#xff1a;K同学啊 目录 前言什么是位置编码1. 定义2. 三角函数3. 位置编码公式4. 位置编码示例 可视化理解位置编码1. 代码实现2. 观察不同位置对应的曲线3. 整句话的位置编码可…
阅读更多...
排序 “贰” 之选择排序

排序 “贰” 之选择排序

目录 ​编辑 1. 选择排序基本思想 2. 直接选择排序 2.1 实现步骤 2.2 代码示例 2.3 直接选择排序的特性总结 3. 堆排序 3.1 实现步骤 3.2 代码示例 3.3 堆排序的特性总结 1. 选择排序基本思想 每一次从待排序的数据元素中选出最小&#xff08;或最大&#xff09;的一个…
阅读更多...
Guitar Pro简谱输入方法 Guitar Pro简谱音高怎么调整,Guitar Pro功能介绍

Guitar Pro简谱输入方法 Guitar Pro简谱音高怎么调整,Guitar Pro功能介绍

一、新版本特性概览 Guitar Pro v8.1.1 Build 17在保留了前版本强大功能的基础上&#xff0c;进一步优化了用户体验和功能性能。新版本主要更新包括以下几个方面&#xff1a; 界面优化&#xff1a;新版界面更加简洁美观&#xff0c;操作更加便捷&#xff0c;即使是初学者也能快…
阅读更多...
在线拍卖系统，基于SpringBoot+Vue+MySql开发的在线拍卖系统设计和实现

在线拍卖系统，基于SpringBoot+Vue+MySql开发的在线拍卖系统设计和实现

目录 一. 系统介绍 二. 功能模块 2.1. 管理员功能模块 2.2. 用户功能模块 2.3. 前台首页功能模块 2.4. 部分代码实现 一. 系统介绍 随着社会的发展&#xff0c;社会的各行各业都在利用信息化时代的优势。计算机的优势和普及使得各种信息系统的开发成为必需。 在线拍卖系…
阅读更多...
Docker - 简介

Docker - 简介

原文地址&#xff0c;使用效果更佳&#xff01; Docker - 简介 | CoderMast编程桅杆https://www.codermast.com/dev-tools/docker/docker-introduce.html Docker是什么&#xff1f; Docker 是一个开源的应用容器引擎&#xff0c;基于 Go 语言 并遵从 Apache2.0 协议开源。 D…
阅读更多...
vulfocus靶场couchdb 权限绕过 （CVE-2017-12635）

vulfocus靶场couchdb 权限绕过 （CVE-2017-12635）

Apache CouchDB是一个开源数据库&#xff0c;专注于易用性和成为"完全拥抱web的数据库"。它是一个使用JSON作为存储格式&#xff0c;JavaScript作为查询语言&#xff0c;MapReduce和HTTP作为API的NoSQL数据库。应用广泛&#xff0c;如BBC用在其动态内容展示平台&…
阅读更多...
串口RS485

串口RS485

1.原理 全双工&#xff1a;在同一时刻可以同时进行数据的接收和数据的发送&#xff0c;两者互不影响 半双工&#xff1a;在同一时刻只能进行数据的接收或者数据的发送&#xff0c;两者不能同时进行 差分信号幅值相同&#xff0c;相位相反&#xff0c;有更强的抗干扰能力。 干…
阅读更多...
vlan的学习笔记1

vlan的学习笔记1

vlan&#xff1a; 1.一般情况下:以下概念意思等同: 一个vlan一个广播域 一个网段 一个子网 2.一般情况下: &#xff08;1&#xff09;相同vlan之间可以直接通信&#xff0c;不同vlan之间不能直接通信! &#xff08;2&#xff09;vlan技术属于二层技术&…
阅读更多...
C语言中, 文件包含处理,#include＜ ＞ 与 #include ““的区别

C语言中, 文件包含处理,#include＜ ＞ 与 #include ““的区别

文件包含处理 指一个源文件可以将另外一个文件的全部内容包含进来 &#xff23;语言提供了#include命令用来实现文件包含的操作 #include< > 与 #include ""的区别 <> 表示系统直接按系统指定的目录检索 "" 表示系统先在 "" 指定…
阅读更多...
Rust序列化和反序列化

Rust序列化和反序列化

Rust 编写python 模块 必备库 docker 启动 nginx 服务 NGINX 反向代理配置
阅读更多...
MySQL下载与安装

MySQL下载与安装

文章目录 1&#xff1a;MySQL下载与安装2&#xff1a;配置环境变量3&#xff1a;验证是否安装成功 1&#xff1a;MySQL下载与安装 打开MySQL官网&#xff0c;MySQL 下载链接选择合适的版本和操作系统&#xff0c;页面跳转之后选择No thanks, just start my download.等待下载即…
阅读更多...
linux中/etc/hosts文件的内容和功能

linux中/etc/hosts文件的内容和功能

更准确的说是主机和ip地址映射绑定配置文件 用于主机名解析成ip地址的 转换配置 效果&#xff1a; 这个东西是局域网下面的解析&#xff0c;老师说是本地局域网解析 windows对应的就是
阅读更多...
笔试狂刷--Day2(模拟高精度算法)

笔试狂刷--Day2(模拟高精度算法)

大家好,我是LvZi,今天带来笔试狂刷--Day2(模拟高精度算法) 一.二进制求和 题目链接:二进制求和 分析: 代码实现: class Solution {public String addBinary(String a, String b) {int c1 a.length() - 1, c2 b.length() - 1, t 0;StringBuffer ret new StringBuffer()…
阅读更多...
4.9 启动系统任务❤❤❤

4.9 启动系统任务❤❤❤

有一些特殊的任务需要在系统启动时执行&#xff0c;例如配置文件加载、数据库初始化等操作。 Spring Boot对此提供了两种解决方案&#xff1a;CommandLineRunner和ApplicationRunner。 CommandLineRunner和ApplicationRunner基本一致&#xff0c;差别主要体现在参数上。 1. Co…
阅读更多...
FastChat启动与部署通义千问大模型

FastChat启动与部署通义千问大模型

FastChat简介 FastChat is an open platform for training, serving, and evaluating large language model based chatbots. FastChat powers Chatbot Arena, serving over 10 million chat requests for 70 LLMs.Chatbot Arena has collected over 500K human votes from sid…
阅读更多...
[SWPUCTF 2022 新生赛]android

[SWPUCTF 2022 新生赛]android

安卓题第一次写 先解压&#xff0c;改apk后缀为zip再次解压用dex2jar反编译得到jar文件&#xff0c;再用jd-gui查看即可得到flag
阅读更多...
AI大模型日报#0418：Stable Diffusion 3开放API、Meta新研究让AI Agent理解物理世界

AI大模型日报#0418：Stable Diffusion 3开放API、Meta新研究让AI Agent理解物理世界

导读&#xff1a; 欢迎阅读《AI大模型日报》&#xff0c;内容基于Python爬虫和LLM自动生成。目前采用“文心一言”生成了每条资讯的摘要。标题: 微软刚发布了VASA-1 这个人工智能可以让单张图像具有生动的说话和歌唱能力 摘要: 微软发布了VASA-1人工智能&#xff0c;它能使单…
阅读更多...
Webstorm 24.1 复制、剪切卡死问题官方回复

Webstorm 24.1 复制、剪切卡死问题官方回复

Webstorm 24.1 复制、剪切卡死问题官方回复 https://youtrack.jetbrains.com/issue/WEB-65787/WebStorm-2024.1-UI-was-frozen-for-N-ms-after-copy-paste 2024-04-20 更新&#xff1a; UI 卡死问题已于 2024-04-20。发布的 24.1.1 版本解决
阅读更多...
Spark集群的搭建

Spark集群的搭建

1.1搭建Spark集群 Spark集群环境可分为单机版环境、单机伪分布式环境和完全分布式环境。本节任务是学习如何搭建不同模式的Spark集群&#xff0c;并查看Spark的服务监控。读者可从官网下载Spark安装包&#xff0c;本文使用的是spark-2.0.0-bin-hadoop2.7.gz。 1.1.1搭建单机版…
阅读更多...
推荐文章
最新文章

Copyright @ 2022~2023