数学建模算法-day[20]

12.4 Matlab遗传算法函数

1.遗传算法使用规则

遗传算法是一种基于自然选择、生物进化过程来求解问题的方法。在每一步中，遗传算法随机地从当前种群中选择若干个体作为父辈，并且使用它们产生下一代的子种群。在连续若干代之后，种群朝着优化解的方向进化。可以用遗传算法求解各种不适宜用标准算法求解的优化问题，包括目标函数不连续、不可微、随机或高度非线性的问题。

遗传算法在每一步使用下列三类规则从当前种群来创建下一代：

1. 选择规则：选择对下一代种群有贡献的个体(称为父辈)。
2. 交叉规则：将两个父辈结合起来构成下一代的子辈种群。
3. 变异规则：施加随机变化用父辈个体来构成子辈。

遗传算法与标准优化算法主要在两个方面有所不同，它们的比较情况归纳于表12.4中。

表12.4 遗传算法与标准优化算法比较

2.遗传算法函数

遗传算法函数ga调用格式如下：

[x,fval]=ga(fun,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)

其中：fun是目标函数，nvars是目标函数中独立变量的个数，options是一个包含遗传算法选项参数的数据结构，其他参数的含义与非线性规划fmincon中的参数相同。

返回值x为所求函数的局部极小点，这里x为行向量,fval为目标函数的极小值。

例12.1 求下列问题的解
$$\begin{gathered} \max f(x)=2x_1+3x_1^2+3x_2+x_2^2+x_3, \\ s.t.\{\begin{array}{rl}& x_1+2x_1^2+x_2+2x_2^2+x_3\le 10,\\ & x_1+x_1^2+x_2+x_2^2-x_3\le 50,\\ & 2x_1+x_1^2+2x_2+x_3\le 40,\\ & x_1^2+x_3=2,\\ & x_1+2x_2\ge 1,\\ & x_1\ge 0,x_2,x_3不约束.\end{array} \end{gathered}$$

解 遗传算法程序的运行结果每一次都是不一样的，要运行多次，找一个最好的结果。

f=@(x) 2*x(1)+3*x(1)^2+3*x(2)+x(2)^2+x(3);
nvars=3;
A=[-1,-2,0;-1,0,0];b=[-1,0]';
[x,fval]=ga(f,nvars,A,b,[],[],[],[],@constr)

function [con1,con2]=constr(x)
    con1=[x(1)+2*x(1)^2+x(2)+2*x(2)^2+x(3)-10;x(1)+x(1)^2+x(2)+x(2)^2-x(3)-50;2*x(1)+x(1)^2+2*x(2)+x(3)-40];
    con2=x(1)^2+x(3)-2;
end

因为书里的遗传算法太抽象了，于是这里先介绍简单的ga函数。打算之后用python练一下，毕竟python有vscode带的插件和cursor，会比较容易。