有約束遺傳演算法
『壹』 遺傳演算法優化的等式約束問題
如果只是x1+x2=c這種簡單的約束，只把x1作為自由變數，解出x1後x2 = c - x1
對於復雜的等式約束沒有什麼太好的辦法 只能做到盡可能滿足
『貳』 遺傳演算法能否解決同時包含整數約束和等式約束的優化問題
針對遺傳演算法較難處理含等式約束的優化問題，在設計變數獨立性分析的基礎上對等式約束採用了降維處理方法，不僅使等式約束在優化時始終嚴格滿足，而且經降維處理後優化問題僅包含不等式約束；然後，借鑒多目標優化思想，提出了從個體違反約束程度和違反次數2方面同時對種群進行排序，使演算法對個體的排序和選擇更符合實際.實例驗證了該演算法的有效性和可行性.
『叄』 如何在遺傳演算法中設置變數約束條件
1、首先打開matlab軟體，在「APP（應用）」選項卡中選擇「Optimization（優化）」工具箱。
『肆』 遺傳演算法中的約束條件怎麼處理
在fitness function裡面加上，if Y > 0.04，讓output = inf。不知道你用什麼語言寫的，用matlab的話上面這條語句應該可以用。讓Y>0.04的情況下，fitness function輸出無窮大，就可以直接讓這些子代直接被淘汰。
『伍』 遺傳演算法中中約束條件怎麼處理呢
只要你的遺傳運算元選對，進化過程中上下限約束就能滿足；
若是其它連續性變數的線性或非線性約束，可採用罰函數法將這些約束加入目標函數（適應度函數）中，這樣就能保證最優解在約束范圍內。
若是存在0-1的變數（主要是在規劃中，某個東西建或不建），則進化過程就會產生較多不可行解，採用直接丟棄的方法固然可以，但是當不可行解多時，這種方法就使遺傳演算法失去它的優勢；所以就有學者提出了不可行解的修復策略，將不可行解通過某種方法轉換為可行解。那麼不同的優化問題解的修復策略都可能會不同，如果你設計了一個針對你所做問題的修復策略，那也就成了你的創新點之一了。
當然也有設計進化策略的研究，但這方面比較修復策略而言有難度。
『陸』 懂罰函數的請進，有約束優化遺傳演算法的目標函數問題
很顯然，f 才是目標函數值，而F只是適應度函數值，用來評價個體優劣的。
加上罰函數，僅僅是為了懲罰那些不滿足約束條件的個體，以此來解決約束優化問題。
但真正的目標函數是f，目的是f的值越小越好。
『柒』 目標方程和約束條件有微分方程，應該怎麼用遺傳演算法擬合
用遺傳演算法ga函數是可以擬合帶有目標方程和約束條件且含有微分方程的系數，其擬合原則是誤差最小估計原則。
解決問題的方法：1、建立自定義目標函數；2、建立自定義約束函數；3、建立自定義微分方程函數；4、誤差最小控制函數；5、利用遺傳演算法ga函數求解擬合系數，利用ode45函數求解微分方程；6、建立嵌套函數計算
『捌』 遺傳演算法具體應用
1、函數優化
函數優化是遺傳演算法的經典應用領域，也是遺傳演算法進行性能評價的常用算例，許多人構造出了各種各樣復雜形式的測試函數：連續函數和離散函數、凸函數和凹函數、低維函數和高維函數、單峰函數和多峰函數等。
2、組合優化
隨著問題規模的增大，組合優化問題的搜索空間也急劇增大，有時在目前的計算上用枚舉法很難求出最優解。對這類復雜的問題，人們已經意識到應把主要精力放在尋求滿意解上，而遺傳演算法是尋求這種滿意解的最佳工具之一。
此外，GA也在生產調度問題、自動控制、機器人學、圖象處理、人工生命、遺傳編碼和機器學習等方面獲得了廣泛的運用。
3、車間調度
車間調度問題是一個典型的NP-Hard問題，遺傳演算法作為一種經典的智能演算法廣泛用於車間調度中，很多學者都致力於用遺傳演算法解決車間調度問題，現今也取得了十分豐碩的成果。
從最初的傳統車間調度（JSP）問題到柔性作業車間調度問題（FJSP），遺傳演算法都有優異的表現，在很多算例中都得到了最優或近優解。
(8)有約束遺傳演算法擴展閱讀：
遺傳演算法的缺點
1、編碼不規范及編碼存在表示的不準確性。
2、單一的遺傳演算法編碼不能全面地將優化問題的約束表示出來。考慮約束的一個方法就是對不可行解採用閾值，這樣，計算的時間必然增加。
3、遺傳演算法通常的效率比其他傳統的優化方法低。
4、遺傳演算法容易過早收斂。
5、遺傳演算法對演算法的精度、可行度、計算復雜性等方面，還沒有有效的定量分析方法。
『玖』 遺傳演算法的優缺點
優點：
1、遺傳演算法是以決策變數的編碼作為運算對象，可以直接對集合、序列、矩陣、樹、圖等結構對象進行操作。這樣的方式一方面有助於模擬生物的基因、染色體和遺傳進化的過程，方便遺傳操作運算元的運用。
另一方面也使得遺傳演算法具有廣泛的應用領域，如函數優化、生產調度、自動控制、圖像處理、機器學習、數據挖掘等領域。
2、遺傳演算法直接以目標函數值作為搜索信息。它僅僅使用適應度函數值來度量個體的優良程度，不涉及目標函數值求導求微分的過程。因為在現實中很多目標函數是很難求導的，甚至是不存在導數的，所以這一點也使得遺傳演算法顯示出高度的優越性。
3、遺傳演算法具有群體搜索的特性。它的搜索過程是從一個具有多個個體的初始群體P(0)開始的，一方面可以有效地避免搜索一些不必搜索的點。
另一方面由於傳統的單點搜索方法在對多峰分布的搜索空間進行搜索時很容易陷入局部某個單峰的極值點，而遺傳演算法的群體搜索特性卻可以避免這樣的問題，因而可以體現出遺傳演算法的並行化和較好的全局搜索性。
4、遺傳演算法基於概率規則，而不是確定性規則。這使得搜索更為靈活，參數對其搜索效果的影響也盡可能的小。
5、遺傳演算法具有可擴展性，易於與其他技術混合使用。以上幾點便是遺傳演算法作為優化演算法所具備的優點。
缺點：
1、遺傳演算法在進行編碼時容易出現不規范不準確的問題。
2、由於單一的遺傳演算法編碼不能全面將優化問題的約束表示出來，因此需要考慮對不可行解採用閾值，進而增加了工作量和求解時間。
3、遺傳演算法效率通常低於其他傳統的優化方法。
4、遺傳演算法容易出現過早收斂的問題。
(9)有約束遺傳演算法擴展閱讀
遺傳演算法的機理相對復雜，在Matlab中已經由封裝好的工具箱命令，通過調用就能夠十分方便的使用遺傳演算法。
函數ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最優解，fval是最優值，@fitnessness是目標函數，nvars是自變數個數，options是其他屬性設置。系統默認求最小值，所以在求最大值時應在寫函數文檔時加負號。
為了設置options，需要用到下面這個函數：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通過這個函數就能夠實現對部分遺傳演算法的參數的設置。
『拾』 帶約束的優化問題 遺傳演算法怎麼編碼
建立約束條件函數，把非線性的等式約束條件添加加在[c，ceq]中。如
function [c,ceq]=NonCon(x)
c=x(1)^2+x(2)^2-9;
ceq=[];
然後，再用ga（）函數調用，如
[x, fval, exitflag] =ga(o@FitFun,nvars,A,b,Aeq,beq,lb,ub,NonCon)