多目标遗传算法matlab程序

介绍遗传算法MATLAB程序设计

摘自 Matlab在数学建模中的应用， 北航出版社，2011.4

4.2遗传算法MATLAB程序设计

4.2.1程序设计流程及参数选取 4.2.1.1遗传算法程序设计伪代码

BEGIN

t = 0 ; %Generations NO.

初始化P(t) ; %Initial Population or Chromosomes 计算P(t) 的适应值; while (不满足停止准则) do begin t = t+1 ;

从P(t-1)中选择P(t) ; % Selection

重组P(t) ; % Crossover and Mutation 计算P(t) 的适应值; end END

4.2.1.2遗传算法的参数设计原则

在单纯的遗传算法当中，也并不总是收敛，即使在单峰或单调也是如此。这是因为种群的进化能力已经基本丧失，种群早熟。为了避免种群的早熟，参数的设计一般遵从以下原则[5]：

（1）

遗传算法的程序实例

f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] 一、初始化(编码)

initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，

长度大小取决于变量的二进制编码的长度(在本例中取10位)。 代码:

%Name: initpop.m %初始化

function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength));

% rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵， % roud对矩阵的每个单元进行圆整。这样产生的初始种群。 二、计算目标函数值

1、将二进制数转化为十进制数(1) 代码:

%Name: decodebinary.m

%产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制 function pop2=decodebinary(pop)

[px,py]=size(pop);

摘自 Matlab在数学建模中的应用， 北航出版社，2011.4

4.2遗传算法MATLAB程序设计

4.2.1程序设计流程及参数选取 4.2.1.1遗传算法程序设计伪代码

BEGIN

t = 0 ; %Generations NO.

初始化P(t) ; %Initial Population or Chromosomes 计算P(t) 的适应值; while (不满足停止准则) do begin t = t+1 ;

从P(t-1)中选择P(t) ; % Selection

重组P(t) ; % Crossover and Mutation 计算P(t) 的适应值; end END

4.2.1.2遗传算法的参数设计原则

在单纯的遗传算法当中，也并不总是收敛，即使在单峰或单调也是如此。这是因为种群的进化能力已经基本丧失，种群早熟。为了避免种

复制代码

在这里使用启发式算法GA（遗传算法）来进行参数寻优，用网格划分(grid search)来寻找最佳的参数c和g，虽然采用网格搜索能够找到在CV意义下的最高的分类准确率，即全局最优解，但有时候如果想在更大的范围内寻找最佳的参数c和g会很费时，采用启发式算法就可以不必遍历网格内的所有的参数点，也能找到全局最优解。

关于遗传算法这里不打算过多介绍，想要学习的朋友可以自己查看相关资料。

使用GA来进行参数寻优在在libsvm-mat-2.89-3[FarutoUltimate3.0]工具箱中已经实现gaSVMcgForClass.m（分类问题参数寻优）、gaSVMcgForRegress.m（回归问题参数寻优）。

1.

2. 3. 4. 5. 6. 7.

利用GA参数寻优函数(分类问题):gaSVMcgForClass [bestCVaccuracy,bestc,bestg,ga_option]= gaSVMcgForClass(train_label,train,ga_option) 输入：

train_label:训练集的标签，格式要求与svmtrain相同。 train:训练集，格式要求与svmtrain相同。

ga_optio

复制代码

在这里使用启发式算法GA（遗传算法）来进行参数寻优，用网格划分(grid search)来寻找最佳的参数c和g，虽然采用网格搜索能够找到在CV意义下的最高的分类准确率，即全局最优解，但有时候如果想在更大的范围内寻找最佳的参数c和g会很费时，采用启发式算法就可以不必遍历网格内的所有的参数点，也能找到全局最优解。

关于遗传算法这里不打算过多介绍，想要学习的朋友可以自己查看相关资料。

使用GA来进行参数寻优在在libsvm-mat-2.89-3[FarutoUltimate3.0]工具箱中已经实现gaSVMcgForClass.m（分类问题参数寻优）、gaSVMcgForRegress.m（回归问题参数寻优）。

1.

2. 3. 4. 5. 6. 7.

利用GA参数寻优函数(分类问题):gaSVMcgForClass [bestCVaccuracy,bestc,bestg,ga_option]= gaSVMcgForClass(train_label,train,ga_option) 输入：

train_label:训练集的标签，格式要求与svmtrain相同。 train:训练集，格式要求与svmtrain相同。

ga_optio

1 遗传算法的原理

1.1 遗传算法的基本思想

遗传算法（genetic algorithms，GA）是一种基于自然选择和基因遗传学原理，借鉴了生物进化优胜劣汰的自然选择机理和生物界繁衍进化的基因重组、突变的遗传机制的全局自适应概率搜索算法。

遗传算法是从一组随机产生的初始解（种群）开始，这个种群由经过基因编码的一定数量的个体组成，每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，其内部表现（即基因型）是某种基因组合，它决定了个体的外部表现。因此，从一开始就需要实现从表现型到基因型的映射，即编码工作。初始种群产生后，按照优胜劣汰的原理，逐代演化产生出越来越好的近似解。在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样，后代种群比前代更加适应环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。

计算开始时，将实际问题的变量进行编码形成染色体，随机产生一定数目的个体，即种群，并计算每个个体的适应度值，然后通过终止条件判断该初始解是否是最优解，若是则停止计算输出结果，若不是则通过遗传算子操作产生新的一代种群，回到计算群体

clear all clc

close all

%this is the begining of the dCFqEI algorithm urIVME=0.46796; %This is vSQz dTOLuJ=138; %This is RvpOG ReKaZr=0.28185; %This is ZIau mHuASB=0.31322; %This is kxgSd bzWuEY=0.084448; %This is ADIog YQIspE=0.21995; %This is yzxSXYT QuVaAK=276; %This is HeBVi frxQUo=0.31026; %This is MnarfF uFQxSp=0.79204; %This is RzydYgz lOLlSK=207; %This is rKBGfOX KMRRPG=0.021318; %This is fwILG PPnefg=0.52155; %This is tIHvjPi rdejrw=-94; %This is yxWp

BtYejR=0.22062; %This is YlGhEPcK W

Matlab写的函数优化遗传算法程序

function [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation,options)
% [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation)
% Finds a maximum of a function of several variables.
% fmaxga solves problems of the form:
% max F(X) subject to: LB <= X <= UB
% BestPop--------最优的群体即为最优的染色体群
% Trace-----------最佳染色体所对应的目标函数值
% FUN------------目标函数
% LB--------------自变量下限
% UB--------------自变量上限
% eranum----------种群的代数,取100--1000(默认1000)
% popsize---------每一代种群的规模；此可取50--100(默认50)
% pcross----

完整可以运行的数值优化遗传算法源代码

function [X,MaxFval,BestPop,Trace]=fga(FUN,bounds,MaxEranum,PopSize,options,pCross,pMutation,pInversion)

% [X,MaxFval,BestPop,Trace]=fga(FUN,bounds,MaxEranum,PopSize,options,pCross,pMutation,pInversion)

% Finds a maximum of a function of several variables.

% fga solves problems of the form:

% max F(X) subject to: LB <= X <= UB (LB=bounds(:,1),UB=bounds(:,2))

% X - 最优个体对应自变量值

% MaxFval - 最优个体对应函数值

% BestPop - 最优的群体即为最优的染色体群

% Trace - 每代最佳个体所对应的目标函数值

% FUN

第３２卷第６期

２０１１年６月

通信学报

Ｊｏｕｍａｌ

ｏｎ

、，０１．３２Ｎｏ．６

ＣｏｍｍｕｎｉｃａｔｉｏｎｓＪｕｎｅ２０１ｌ

基于蚁群一遗传算法的改进多目标数据关联方法

袁东辉１，２刘大有１，２申世群１＇２

（Ｉ．吉林大学知识工程与符号计算教育部重点实验室，吉林长春１３００１２；２．吉林大学计算机科学与技术学院，吉林长春１３００１２）

摘要：将蚁群算法与遗传算法相结合，提出一种快速实现多目标数据关联的ＡＣ．ＧＡＤＡ（ａｎｔ

ｃｏｌｏｎｙ，ｇｅｎｅｔｉｃａｌｇｏ－

ｒｉｔｈｍｄａｔａａｓｓｏｃｉａｔｉｏｎ）算法，该算法利用种群个体携带信息素，并改进了全局信息素扩散模型，同时为了提高算法

的收敛速度并且避免局部极值的出现，引入了交叉变异策略和种群适应度模型，通过大量的实验数据证明，该算法在获得较高关联准确率的同时可以有效地提高关联速度。关键词：数据关联；多目标；蚁群算法；遗传算法中图分类号：ＴＰ３９１

文献标识码：Ａ

文章编号：１０００－４３６Ｘ（２０１１）０６，００１７．０７

ＩｍｐｒｏｖｅｄＡＣ－ＧＡｂａｓｅｄｄａｔａａｓｓｏｃｉａｔｉｏｎ

ｍｅｔｈｏｄｆｏｒｍｕｌｔｉ－ｔａｒｇｅｔｔｒａｃｋｉｎｇ

ＹＵＡＮＤｏｎｇ．ｈｕｉｌＰ，ＬＩＵＤａ－ｙｏｕｌ．＿，ＳＨＥＮＳｈｉ—