遺傳演算法約束條件
㈠ 你好，我想問下怎麼根據我設計的目標函數和約束條件在matlab中編寫遺傳演算法的程序
給你一個例子，說明如何用ge（）函數求解帶有約束條件的目標函數問題。
1、首先建立帶有約束條件的目標函數
function f =ga_fun0(x)
if (1.5+x(1)*x(2)-x(1)-x(2)>0 | -x(1)*x(2)>10)
f=100;
else
f=exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1);
end
end
2、在命令窗口中執行下列命令
>>[x,fval] = ga(@ga_fun0,2)
運行結果
如還有問題，請將問題貼出來，幫你解決。
㈡ 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。
㈢ 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
㈣ 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。
㈤ 使用matlab遺傳演算法工具箱如何加入目標函數中變數的約束條件啊，可否在M文件中加
首先回答你第一個問題：怎麼加入變數的約束條件？
打開遺傳演算法工具箱的窗體中會有下圖所示的選項，即是約束條件的編輯
至於添加的方式，這里要重點的提一下，首先將問題抽象成規劃問題的標准形式（如果你不懂什麼是標准形式的話，建議你去翻閱運籌學那本書，上告訴你什麼是標准形式），然後用矩陣語言寫出來，最後將矩陣的系數填寫到線性不等約束和線性相等約束中，同時定義所求變數x的上界和下界（記住有多少個變數就有多少列，如果你發現有些條件中沒有出現某些變數，那麼就應該用0補足，這個是matlab解決規劃問題與lingo想比較麻煩的一個地方，）。
然後回答你第二個問題：可否在M文件中添加約束條件？
當然可以，界面的東西是為了方便不熟悉matlab編程的人而設計出來的，但是其底層的演算法和介面肯定是有的。
碰到不懂的函數，請記得：help函數名
helpga之後會得到一下一些函數
ga
//這個是定義
Syntax //這個是語法也即是調用的規則
x=ga(fitnessfcn,nvars)
x=ga(fitnessfcn,nvars,A,b)
x=ga(fitnessfcn,nvars,A,b,Aeq,beq)
x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB)
x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon)
x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)
x=ga(problem)
[x,fval]=ga(...)
[x,fval,exitflag]=ga(...)直接給你將最長的那個吧
x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)
X是返回所求的解
fitnessfcn是適應度函數
nvars是適應度函數中所含變數的維數
A是不等式約束中變數的系數矩陣，b是不等式約束中不含變數的值矩陣
Aeq是等式約束中變數的系數矩陣，beq是等式約束中不含變數的值矩陣
LB是下界，UB是上界
nonlcon是非線性約束條件
至於options嘛 我也木有用過，其實你也可以不用管的。
懂了木有呢，親？
㈥ 如何在遺傳演算法中設置變數約束條件
1、一般有兩種方法，一種是在生成初始種群時只生成滿足約束的個體；另一種是隨機產生個體，並且在隨後的操作中判斷個體是否滿足約束條件。
2、這是遺傳演算法的特點決定的；遺傳演算法是一種隨機搜索演算法，每次都因種群規模的不同、參數的不同而得到不同的結果。即便參數都相同，每次運算得到的近似最優解也不一定相同。一般取n次運算中的最好結果來作為最終的最優解。當然，如果你的約束條件設置不妥，或者參數設置不適當，那麼也會造成每次運算的近似最優解相差過大，且質量不高。這些都要注意。
3、我用MATLAB自己編寫遺傳演算法來解決問題，因為其自帶的工具箱比較固定，只能解決簡單、典型的問題。但你的問題稍加復雜時，工具箱的作用就發揮不出來。