研究生作業(yè)_基于遺傳算法優(yōu)化多元多目標函數(shù)的matlab實現(xiàn)資料

1、1南京航空航天大學共8頁第1頁學院：航空宇航學院學院：航空宇航學院姓名姓名:魏德宸魏德宸基于遺傳算法優(yōu)化多元多目標函數(shù)的MATLAB實現(xiàn)0.0.引言引言現(xiàn)實生活中的很多決策問題都要考慮同時優(yōu)化若干個目標而這些目標之間有時是彼此約束，甚至相互沖突這樣就需要從所有可能的方案中找到最合理、最可靠的解決方案。而遺傳算法是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的一種新的迭代的全局優(yōu)化搜索算法它能夠使群體進化并行搜尋多個目標并逐漸找到問題的最

2、優(yōu)解。1.1.問題描述問題描述變量維數(shù)為5，含有2個優(yōu)化目標的多目標優(yōu)化問題表達式如下minf1=x1?x2?x33x4?x5minf2=sin(x1)cos(4x2)2x51?x1?41?x2?22?x3?32?x4?63?x5?9?對于該問題，利用權重系數(shù)變換法很容易求出最優(yōu)解，本題中確定f1和f2的權重系數(shù)都為0.5。2.2.遺傳算法遺傳算法2.12.1遺傳算法簡述遺傳算法簡述遺傳算法的基本原理是通過作用于染色體上的基因尋找好的染

3、色體來求解問題，它需要對算法所產(chǎn)生的每個染色體進行評價，并基于適應度值來選擇染色體，使適應性好的染色體有更多的繁殖機會，在遺傳算法中，通過隨機方式產(chǎn)生若干個所求解問題的數(shù)字編碼，即染色體，形成初始種群；通過適應度函數(shù)給每個個體一個數(shù)值評價，淘汰低適應度的個體，選擇高適應度的個體參加遺傳操作，經(jīng)過遺產(chǎn)操作后的個體集合形成下一代新的種群，對這個新的種群進行下一輪的進化。2.22.2遺傳算法的過程遺傳算法的過程遺傳算法的基本過程是：1.初始化

4、群體。2.計算群體上每個個體的適應度值3.由個體適應度值所決定的某個規(guī)則選擇將進入下一代個體。4.按概率Pc進行交叉操作。3區(qū)域描述器FieldD描述染色體的表示和解釋，每個格雷碼采用20位二進制。5個變量的區(qū)間和邊界定義如上述所示。3.23.2計算適應度值計算適應度值計算適應度值是由根據(jù)程序FitnV=ranking(ObjV)來實現(xiàn)的，對這個等級評定算法的缺省設置時選擇壓差為2和使用線性評估，給最適應個體的適應度值為2，最差個體的適

5、應度值為0，適應度值結果由向量FitnV返回。3.33.3選擇、交叉操作選擇、交叉操作選擇層使用高級函數(shù)選擇調用低級函數(shù)隨機遍歷抽樣例程sus，SelCh中的個體使用高級函數(shù)recombine進行重組，使個體通過SelCh被選擇再生產(chǎn)，并使用單點交叉例程xovsp，使用交叉概率Px=0.7進行執(zhí)行并交叉。交叉后的子代被同一個矩陣SelCh返回。3.43.4變異操作變異操作為了產(chǎn)生子代，使用變異函數(shù)mut。子代再次由矩陣SelCh返回，變