一个遗传算法的程序
不知道为什么,明明设置了迭代次数为100,但图象却表明迭代了200次,下面是程序,帮忙看看%标准遗传算法
%优化函数为f=x1+x2+x3+x4+x5+Y1+Y2+Y3+Y4+Y5+1000*(266-Y(10))^2，其中，90<=x<=143
%编码长度为10位，编码精度为0.0518
%种群规模设为20，遗传算子分别为比例选择，单点交叉和单点变异。交叉概率0.7，变异概率0.1
%最大进化代数为100代，保优操作。
main.m
initial;
global G;
for G=1:100
crossover;
mutation;
adapting;
keepbest;
selection;
end
result;
%初始化函数，随机形成规模为40初始种群
initial.m
pop(20,10)=0;
best_individual(10)=0;%最优个体
adapt_ave(100)=0; %种群平均适应值
for i=1:20
for j=1:10
if rand>0.5
pop(i,j)=1;
else
pop(i,j)=0;
end
end
end
% pop
clear i;
clear j;
%交叉操作，概率为0.7，单点交叉
crossover.m
for i=1:2:19
cross_P=rand; %随机产生一个数，以比较交叉概率
if cross_P<0.7%交叉概率为0.7
cross_pos=round(10*rand); %交叉位置为0~9，若位置为0或1，则不进行交叉操作
if or(cross_pos==0,cross_pos==1)
continue;
end
for j=cross_pos:10
temp=pop(i,j);
pop(i,j)=pop(i+1,j);
pop(i+1,j)=temp;
end
end
end
clear i;
clear j;
clear temp;
clear cross_P;
clear cross_pos;
%变异操作，单点变异，变异概率为0.1
mutation.m
for i=1:20
if rand<0.1 %通过变异概率
M_pos=round(10*rand);
if M_pos~=0 %若变异位为0则无意义
pop(i,M_pos)=1-pop(i,M_pos);
end
end
end
clear M_pos;
clear i;
%计算适应值
adapting.m
for i=1:20
adapt(i)=0;
end
for i=1:20
for j=1:10
if pop(i,j)==1
adapt(i)=adapt(i)+2^(10-j);
end
end
adapt(i)=adapt(i)*0.0518+90;
end
x=';
Y=sim(net,x);
global adapt_best;
global best_pos;
adapt_best=0; %最佳个体
best_pos=0; %最佳个体在种群中的位置
% adapt_ave=0;
for i=1:20
adapt_ave(G)=adapt_ave(G)+adapt(i)+sum(Y(1:5,1))+1000*(265-Y(10))^2;
if adapt_best<adapt(i)
adapt_best=adapt(i);
best_pos=i;
end
end
adapt_ave(G)=adapt_ave(G)/4;
clear i;
clear j;
%保优操作
keepbest.m
for i=1:10
best_individual(i)=pop(best_pos,i);
end
% The select oprator function
selection.m
ada_sum=0;
ada_temp=0;
r=0;
i=0;j=0;
for i=1:20
ada_sum=ada_sum+adapt(i);
end
for i=1:19 %选择39次，最后一个个体留给历代最优解
r=rand*ada_sum;%随机产生一个数
ada_temp=0; %初始化累加值为0
j=0;
while(ada_temp<r)
j=j+1;
ada_temp=ada_temp+adapt(j);
end
%退出循环时的j值即为被选择的个体序号
% if j>20
% j=20;
% end
for k=1:10
new_pop(i,k)=pop(j,k);
end
end
% 最优解复制
for i=1:10
new_pop(20,i)=best_individual(i);
end
%将选择产生的新群体复制给pop种群
for i=1:20
for j=1:10
pop(i,j)=new_pop(i,j);
end
end
clear i;
clear j;
clear k;
clear r;
clear ada_temp;
%结果统计函数
result.m
plot(adapt_ave);
best=0;aa(1)=0;
for i=1:5
for j=1:10
if best_individual(j)==1
best=best+2^(10-j);
end
end
best=best*0.0518+90;
aa(i)=best;
end
'最优个体为'
best=aa
'最优解为'
best=adapt_ave(G);
best
页:
[1]