遗传算法函数优化

Ⅰ 本人刚学MATLAB遗传算法工具箱，请大家帮我看一下这个简单一元函数优化错误的原因及怎样修改。

由于有代沟，所以plot中的variable是36*20的，而I对应的ObjV是40*1的，所以I可能取40个值，但variable只有36行，所以出错。在“gen=gen+1;%代计数器增加”后加variable=bs2rv(Chrom,FieldD)，你调试一下试试。

Ⅱ 无目标函数的优化可以用遗传算法吗

很显然，f 才是目标函数值，而F只是适应度函数值，用来评价个体优劣的。 加上罚函数，仅仅是为了惩罚那些不满足约束条件的个体，以此来解决约束优化问题。 但真正的目标函数是f，目的是f的值越小越好。

Ⅲ 我想用遗传算法来解决一个函数的优化问题。就是函数形式已知，涉及多个自变量，一个因变量，但是函数的参数

对于一般的函数，可以利用Matlab自带的GA optimaltool来解决，里面有详细的实例，看Matlab帮助文件。命令： optimtool('ga')

Ⅳ MATLAB 遗传算法解决函数优化，大神发个程序借鉴下

留个邮箱 发给你

Ⅳ 遗传算法的目标函数与优化参数无关也能得出最优参数吗

和目标函数没有关系，是在实验中找到的。

Ⅵ 懂罚函数的请进，有约束优化遗传算法的目标函数问题

很显然，f 才是目标函数值，而F只是适应度函数值，用来评价个体优劣的。
加上罚函数，仅仅是为了惩罚那些不满足约束条件的个体，以此来解决约束优化问题。
但真正的目标函数是f，目的是f的值越小越好。

Ⅶ 遗传算法的优缺点

优点：

1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。

另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习、数据挖掘等领域。

2、遗传算法直接以目标函数值作为搜索信息。它仅仅使用适应度函数值来度量个体的优良程度，不涉及目标函数值求导求微分的过程。因为在现实中很多目标函数是很难求导的，甚至是不存在导数的，所以这一点也使得遗传算法显示出高度的优越性。

3、遗传算法具有群体搜索的特性。它的搜索过程是从一个具有多个个体的初始群体P(0)开始的，一方面可以有效地避免搜索一些不必搜索的点。

另一方面由于传统的单点搜索方法在对多峰分布的搜索空间进行搜索时很容易陷入局部某个单峰的极值点，而遗传算法的群体搜索特性却可以避免这样的问题，因而可以体现出遗传算法的并行化和较好的全局搜索性。

4、遗传算法基于概率规则，而不是确定性规则。这使得搜索更为灵活，参数对其搜索效果的影响也尽可能的小。

5、遗传算法具有可扩展性，易于与其他技术混合使用。以上几点便是遗传算法作为优化算法所具备的优点。

缺点：

1、遗传算法在进行编码时容易出现不规范不准确的问题。

2、由于单一的遗传算法编码不能全面将优化问题的约束表示出来，因此需要考虑对不可行解采用阈值，进而增加了工作量和求解时间。

3、遗传算法效率通常低于其他传统的优化方法。

4、遗传算法容易出现过早收敛的问题。

(7)遗传算法函数优化扩展阅读

遗传算法的机理相对复杂，在Matlab中已经由封装好的工具箱命令，通过调用就能够十分方便的使用遗传算法。

函数ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最优解，fval是最优值，@fitnessness是目标函数，nvars是自变量个数，options是其他属性设置。系统默认求最小值，所以在求最大值时应在写函数文档时加负号。

为了设置options，需要用到下面这个函数：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通过这个函数就能够实现对部分遗传算法的参数的设置。

Ⅷ 各位谁擅长遗传算法呀，我这有个函数得用遗传算法编一下，进行最优化求解的过程，最好是用Matlab。

% 主程序
%遗传算法主程序
%Name:genmain.m
%author：杨幂

clear
clf
%%初始化
popsize=50; %群体大小
chromlength=30; %字符串长度（个体长度）
pc=0.6; %交叉概率
pm=0.1; %变异概率
pop=initpop(popsize,chromlength); %随机产生初始群体
%%开始迭代
for i=1:20 %20为迭代次数
[objvalue]=calobjvalue(pop); %计算目标函数
fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue); %复制
[newpop]=crossover(pop,pc); %交叉
[newpop]=mutation(pop,pm); %变异
[bestindivial,bestfit]=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);%储存最优个体适应值
n(i)=i;
pop5=bestindivial;%储存最优个体
%解码
x1(i)=decodechrom(pop5,1,chromlength/2)*2/32767;
x2(i)=10+decodechrom(pop5,chromlength/2+1,chromlength/2)*10/32767;
pop=newpop;%将新产生的种群作为当前种群
end
%%绘图
figure(1)%最优点变化趋势图
i=1:20;
plot(y(i),'-r*')
xlabel('迭代次数');
ylabel('最优个体适应值');
title('最优点变化趋势');
legend('最优点');
grid on

figure(2)%最优点分布图
[X1,X2]=meshgrid(0:0.1:2,10:0.1:20);
Z=X1.^2+X2.^2;
mesh(X1,X2,Z);
xlabel('自变量x1'),ylabel('自变量x2'),zlabel('函数值f(x1,x2)');
hold on
plot3(x1,x2,y,'ro','MarkerEdgeColor','r','MarkerFaceColor','r','MarkerSize',5)
title('最优点分布');
legend('最优点');
hold off

[z index]=max(y); %计算最大值及其位置
x5=[x1(index),x2(index)]%计算最大值对应的x值
z

Ⅸ 基于Matlab的函数优化遗传算法程序

新建一个函数
_f.m
function
f=_f(x)
f=0.5-((sin(sqrt(x(1)^2+x(2)^2)))^2-0.5)/(1+0.001*(x(1)^2+x(2)^2)^2)
然后用fmins函数寻找极值。
x
=
fmins('_f',
[0
0],
[2
2]);
另外你的语句中有错，少写了一个括号，你再自己检查一下。

Ⅹ 用matlab的optimization工具箱遗传算法优化函数，被优化的函数和条件约束如下，请问为会有报错（图片）

你的约束函数有问题，x如果超出了反正切的默认范围，就会出现复数
此时你的程序就没办法通过复数的ceq进行计算了