注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
注意：此代码实现的是求目标函数最大值，求最小值可将适应度函数乘以-1（框架代码已实现）。
1. 代码实现
不了解遗传算法可以先看看优化算法笔记（六）遗传算法。
实现代码前需要先完成优化算法matlab实现（二）框架编写中的框架的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Unit.m | 个体 |
| ..\optimization algorithm\frame\Algorithm_Impl.m | 算法主体 |
以及优化算法matlab实现（四）测试粒子群算法中的测试函数、函数图像的编写。
| 文件名 | 描述 |
|---|---|
| ..\optimization algorithm\frame\Get_Functions_details.m | 测试函数，求值用 |
| ..\optimization algorithm\frame\func_plot.m | 函数图像，画图用 |
遗传算法的每个个体没有其他属性。
遗传算法个体
文件名：.. \optimization algorithm\algorithm_genetic\GA_Unit.m
% 遗传算法个体，没有其他属性
classdef GA_Unit < Unit
properties
end
methods
function obj = GA_Unit()
end
end
end
遗传算法主体
文件名：..\optimization algorithm\algorithm_ genetic\GA_Base.m
% 遗传算法
classdef GA_Base < Algorithm_Impl
properties
% 交叉率
cross_rate
% 变异率
alter_rate
% 临时种群列表，用于保存轮盘赌选择的个体
temp_unit_list
end
% 外部可调用的方法
methods
function self = GA_Base(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@Algorithm_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 交叉率
self.cross_rate = 0.8;
% 变异率
self.alter_rate = 0.05;
end
end
% 继承重写父类的方法
methods (Access = protected)
% 初始化种群
function init(self)
init@Algorithm_Impl(self)
%初始化种群
for i = 1:self.size
unit = GA_Unit();
% 随机初始化位置：rand(0,1).*(max-min)+min
unit.position = unifrnd(self.range_min_list,self.range_max_list);
% 计算初始位置的适应度值
unit.value = self.cal_fitfunction(unit.position);
% 将个体加入群体数组
self.unit_list = [self.unit_list,unit];
self.temp_unit_list=[self.temp_unit_list,unit];
end
end
% 每一代的更新
function update(self,iter)
% 调用父类 update
update@Algorithm_Impl(self,iter)
% 轮盘赌选择个体
self.roulette();
% 交叉
self.cross();
% 变异
self.altered();
% 计算适应度函数
self.cal_value();
end
% 变异
function altered(self)
% 遍历所有个体
for i = 1:self.size
% 如果随机数满足变异条件
if(unifrnd (0,1) < self.alter_rate)
% 随机选择一维
cur_dim = unidrnd(self.dim);
% 该维变异到解空间内的随机位置
rand_pos = unifrnd(self.range_min_list(cur_dim),self.range_max_list(cur_dim));
% 保存该变异位置
self.unit_list(i).position(cur_dim) = rand_pos;
end
end
end
% 交叉（对应维度交换值）
function cross(self)
% 遍历步长为2，相邻两个个体交叉
for i = 1:2:self.size
% 如果随机数满足交叉条件
if (unifrnd (0,1) < self.cross_rate)
% 随机选择一维
cur_dim = unidrnd(self.dim);
% 交换相邻个体的对应位置的值
temp = self.unit_list(i).position(cur_dim);
self.unit_list(i).position(cur_dim) = self.unit_list(i+1).position(cur_dim);
self.unit_list(i+1).position(cur_dim) = temp;
end
end
end
% 轮盘赌选择
function roulette(self)
% 获取轮盘赌值
roulette_rate = self.get_roulette_rate();
% 群体轮盘赌值之和
roulette_sum = sum(roulette_rate);
id = 1;
for i = 1:self.size
% 当前轮盘赌值
roulette_temp = roulette_rate(1);
rand = unifrnd(0, roulette_sum);
% 随机数落在了哪个id的轮盘区间
for j = 1:self.size
if (j == self.size)
id = self.size;
elseif(rand < roulette_temp)
id = j;
end
roulette_temp = roulette_temp + roulette_rate(j);
end
% 记录所选的个体的位置
self.temp_unit_list(i).position = self.unit_list(id).position;
end
% 保存临时列表中保存的选中个体
for i = 1:self.size
self.unit_list(i).position = self.temp_unit_list(i).position;
end
end
% 计算轮盘赌概率
function rate_list = get_roulette_rate(self)
rate_list = zeros(1,self.size);
roulette_value_min = realmax('double');
% 计算出最小的适应度值
for i = 1:self.size
rate_list(i) = self.unit_list(i).value;
if (rate_list(i) < roulette_value_min)
roulette_value_min = rate_list(i);
end
end
% 计算出每个个体的轮盘赌数值
for i = 1:self.size
rate_list(i) = rate_list(i) - roulette_value_min;
end
end
% 计算群体适应度值
function cal_value(self)
for i = 1:self.size
self.unit_list(i).value = self.cal_fitfunction(self.unit_list(i).position);
end
end
end
end
文件名：..\optimization algorithm\algorithm_ genetic\GA_Impl.m
算法实现，继承于Base,图方便也可不写，直接用GA_Base，这里为了命名一致。
%GA实现
classdef GA_Impl < GA_Base
properties
% 算法名称：
name = 'GA';
end
% 外部可调用的方法
methods
function self = GA_Impl(dim,size,iter_max,range_min_list,range_max_list)
% 调用父类构造函数设置参数
self@GA_Base(dim,size,iter_max,range_min_list,range_max_list);
end
end
end
2. 测试
测试F1
文件名：..\optimization algorithm\ algorithm_ genetic\Test.m
%% 清理之前的数据
% 清除所有数据
clear all;
% 清除窗口输出
clc;
%% 添加框架路径
% 将上级目录中的frame文件夹加入路径
addpath('../frame')
%% 选择测试函数
Function_name='F1';
% [最小值，最大值，维度，测试函数]
[lb,ub,dim,fobj]=Get_Functions_details(Function_name);
%% 算法实例
% 种群数量
size = 50;
% 最大迭代次数
iter_max = 1000;
% 取值范围上界
range_max_list = ones(1,dim)*ub;
% 取值范围下界
range_min_list = ones(1,dim)*lb;
% 实例化遗传算法类
base = GA_Impl(dim,size,iter_max,range_min_list,range_max_list);
% 告诉算法求不是求最大值
base.is_cal_max = false;
% 确定适应度函数
base.fitfunction =fobj;
% 运行
base.run();
%% 绘制图像
figure('Position',[500 500 660 290])
% Draw search space
subplot(1,2,1);
func_plot(Function_name);
title('Parameter space')
xlabel('x_1');
ylabel('x_2');
zlabel([Function_name,'( x_1 , x_2 )'])
% Draw objective space
subplot(1,2,2);
% 绘制曲线
semilogy(base.value_best_history,'Color','r')
title('Objective space')
xlabel('Iteration');
ylabel('Best score obtained so far');
% 将坐标轴调整为紧凑型
axis tight
% 添加网格
grid on
% 四边都显示刻度
box off
legend(base.name)
display(['The best solution obtained by ',base.name ,' is ', num2str(base.value_best)]);
display(['The best optimal value of the objective funciton found by ',base.name ,' is ', num2str(base.position_best)]);
遗传算法适合求解离散值，没有调优时解决连续问题效果不好（没实现好），如上图，几乎没有进化。