【精品】非线性整数规划的遗传算法Matlab程序43
非线性整数规划的遗传算法Matlab程序
,引自人工智能及数据挖掘论坛,
这是一个具有200个01决策变量的多目标非线性整数规划,编写优化的目标
函数如下,其中将多目标转化为单目标采用简单的加权处理。 function Fitness=FITNESS(x,FARM,e,q,w)
%% 适应度函数
% 输入参数列
表
关于同志近三年现实表现材料材料类招标技术评分表图表与交易pdf视力表打印pdf用图表说话 pdf
% x 决策变量构成的4×50的0-1矩阵
% FARM 细胞结构存储的当前种群,它包含了个体x % e 4×50的系数矩阵
% q 4×50的系数矩阵
% w 1×50的系数矩阵
%%
gamma=0.98;
N=length(FARM);%种群规模
F1=zeros(1,N);
F2=zeros(1,N);
for i=1:N
xx=FARM{i};
ppp=(1-xx)+(1-q).*xx;
F1(i)=sum(w.*prod(ppp)); F2(i)=sum(sum(e.*xx)); end
ppp=(1-x)+(1-q).*x;
f1=sum(w.*prod(ppp));
f2=sum(sum(e.*x));
Fitness=gamma*sum(min([sign(f1-F1);zeros(1,N)]))+(1-gamma)*su
m(min([sign(f2-F2);zeros(1,N)]));
针对问
题
快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题
设计的遗传算法如下,其中对模型约束的处理是重点考虑的地方
function [Xp,LC1,LC2,LC3,LC4]=MYGA(M,N,Pm)
%% 求解01整数规划的遗传算法
%% 输入参数列表
% M 遗传进化迭代次数
% N 种群规模
% Pm 变异概率
%% 输出参数列表
% Xp 最优个体
% LC1 子目标1的收敛曲线
% LC2 子目标2的收敛曲线
% LC3 平均适应度函数的收敛曲线
% LC4 最优适应度函数的收敛曲线 %% 参考调用格式[Xp,LC1,LC2,LC3,LC4]=MYGA(50,40,0.3)
%% 第一步:载入数据和变量初始化 load eqw;%载入三个系数矩阵e,q,w %输出变量初始化
Xp=zeros(4,50); LC1=zeros(1,M); LC2=zeros(1,M); LC3=zeros(1,M); LC4=zeros(1,M); Best=inf;
%% 第二步:随机产生初始种群
farm=cell(1,N);%用于存储种群的细胞结构 k=0;
while k %以下是一个合法个体的产生过程 x=zeros(4,50);%x每一列的1的个数随机决定 for i=1:50
R=rand;
Col=zeros(4,1); if R<0.7
RP=randperm(4);%1的位置也是随机的 Col(RP(1))=1;
elseif R>0.9
RP=randperm(4); Col(RP(1:2))=1; else
RP=randperm(4); Col(RP(1:3))=1; end
x(:,i)=Col;
end
%下面是检查行和是否满足约束的过程,对于不满足约束的予以抛弃
Temp1=sum(x,2); Temp2=find(Temp1>20); if length(Temp2)==0 k=k+1;
farm{k}=x;
end
end
%% 以下是进化迭代过程
counter=0;%设置迭代计数器
while counter
%% 第三步:交叉
%交叉采用双亲双子单点交叉
newfarm=cell(1,2*N);%用于存储子代的细胞结构 Ser=randperm(N);%两两随机配对的配对表 A=farm{Ser(1)};%取出父代A
B=farm{Ser(2)};%取出父代B
P0=unidrnd(49);%随机选择交叉点
a=[A(:,10),B(:,(P0+1):end)];%产生子代a b=[B(:,10),A(:,(P0+1):end)];%产生子代b newfarm{2*N-1}=a;%加入子代种群 newfarm{2*N}=b;
%以下循环是重复上述过程
N-1) for i=1
A=farm{Ser(i)};
B=farm{Ser(i+1)};
P0=unidrnd(49);
a=[A(:,10),B(:,(P0+1):end)]; b=[B(:,10),A(:,(P0+1):end)]; newfarm{2*i-1}=a;
newfarm{2*i}=b;
end
FARM=[farm,newfarm];%新旧种群合并
%% 第四步:选择复制
FLAG=ones(1,3*N);%标志向量,对是否满足约束进行标记 %以下过程是检测新个体是否满足约束
for i=13*N)
x=FARM{i};
sum1=sum(x,1);
sum2=sum(x,2);
flag1=find(sum1==0); flag2=find(sum1==4); flag3=find(sum2>20); if length(flag1)+length(flag2)+length(flag3)>0
FLAG(i)=0;%如果不满足约束,用0加以标记 end
end
NN=length(find(FLAG)==1);%满足约束的个体数目,它一定大于等于N
NEWFARM=cell(1,NN); %以下过程是剔除不满主约束的个体
kk=0;
for i=13*N)
if FLAG(i)==1
kk=kk+1;
NEWFARM{kk}=FARM{i}; end
end
%以下过程是计算并存储当前种群每个个体的适应值 SYZ=zeros(1,NN);
syz=zeros(1,N);
for i=1:NN
x=NEWFARM{i};
SYZ(i)=FITNESS2(x,NEWFARM,e,q,w);%调用适应值子函数
end
k=0;
%下面是选择复制,选择较优的N个个体复制到下一代 while k minSYZ=min(SYZ); posSYZ=find(SYZ==minSYZ); POS=posSYZ(1);
k=k+1;
farm{k}=NEWFARM{POS}; syz(k)=SYZ(POS);
SYZ(POS)=inf;
end
%记录和更新,更新最优个体,记录收敛曲线的数据 minsyz=min(syz);
meansyz=mean(syz);
pos=find(syz==minsyz); LC3(counter+1)=meansyz; if minsyz Best=minsyz; Xp=farm{pos(1)};
end
LC4(counter+1)=Best; ppp=(1-Xp)+(1-q).*Xp; LC1(counter+1)=sum(w.*prod(ppp));
LC2(counter+1)=sum(sum(e.*Xp));
%% 第五步:变异
for i=1:N
if Pm>rand%是否变异由变异概率Pm控制 AA=farm{i};%取出一个个体
POS=unidrnd(50);%随机选择变异位
R=rand;
Col=zeros(4,1);
if R<0.7
RP=randperm(4);
Col(RP(1))=1; elseif R>0.9
RP=randperm(4); Col(RP(1:2))=1; else
RP=randperm(4); Col(RP(1:3))=1; end
%下面是判断变异产生的新个体是否满足约束,如果不满足,此次变异无效
AA(:,POS)=Col; Temp1=sum(AA,2); Temp2=find(Temp1>20);
if length(Temp2)==0 farm{i}=AA;
end
end
end
counter=counter+1 end
%第七步:绘收敛曲线图
figure(1);
plot(LC1);
xlabel('迭代次数');
ylabel('子目标1的值'); title('子目标1的收敛曲线'); figure(2);
plot(LC2);
xlabel('迭代次数');
ylabel('子目标2的值'); title('子目标2的收敛曲线'); figure(3);
plot(LC3);
xlabel('迭代次数');
ylabel('适应度函数的平均值'); title('平均适应度函数的收敛曲线'); figure(4);
plot(LC4);
xlabel('迭代次数');
ylabel('适应度函数的最优值'); title('最优适应度函数的收敛曲线');