用遗传算法解决条件约束问题的一种新思路及其在TTP问题中的应用
MATLAB实验遗传算法与优化设计
实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别 代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率，为电阻率。可见电极的结构参数影响着电极损
耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2) 其中()T n x x x X ,...,,21=是决策向量，x 1，…，x n 为n 个设计变量。这是一个单目标的数学规划问题：在一组针对决策变量的约束条件()0,1,...,j g X j p ≤=下，使目标函数最小化（有时 也可能是最大化，此时在目标函数()X f 前添个负号即可）。满足约束条件的解X 称为可行解，所有满足条件的X 组成问题的可行解空间。 2. 遗传算法基本原理和基本操作 遗传算法(Genetic Algorithm, GA)是一种非常实用、高效、鲁棒性强的优化技术，广 泛应用于工程技术的各个领域(如函数优化、机器学习、图像处理、生产调度等)。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化算法。按照达尔文的进化论，生物在进化过程中“物竞天择”，对自然环境适应度高的物种被保留下来，适应度差的物种而被淘汰。物种通过遗传将这些好的性状复制给下一代，同时也通过种间的交配(交叉)和变异不断产生新的物种以适应环境的变化。从总体水平上看，生物在进化过程中子代总要比其父代优良，因此生物的进化过程其实就是一个不断产生优良物种的过程，这和优化设计问题具有惊人的相似性，从而使得生物的遗传和进化能够被用于实际的优化设计问题。 按照生物学知识，遗传信息基因(Gene)的载体是染色体(Chromosome)，染色体中 一定数量的基因按照一定的规律排列（即编码），遗传基因在染色体中的排列位置称为基因
matlab自带优化工具箱遗传算法中文解释
matlab自带优化工具箱遗传算法中文解释 problem setup and results设置与结果 problem fitness function适应度函数 number of variable变量数 constraints约束 linear inequalities线性不等式，A*x<=b形式，其中A是矩阵，b是向量 linear equalities线性等式，A*x=b形式，其中A是矩阵，b是向量 bounds定义域，lower下限，upper上限，列向量形式，每一个位置对应一个变量 nonlinear constraint function非线性约束，用户定义，非线性等式必须写成c=0形式，不等式必须写成c<=0形式 integer variable indices整型变量标记约束，使用该项时Aeq和beq必须为空，所有非线性约束函数必须返回一个空值，种群类型必须是实数编码 run solver and view results求解 use random states from previous run使用前次的状态运行，完全重复前次运行的过程和结果 population population type编码类型 double vector实数编码，采用双精度 bitstring二进制编码对于生成函数和变异函数，只能选用uniform和custom，对于杂交函数，只能使用 scattered singlepoint，twopoint或custom不能使用hybrid function和nonlinear constraint function custom 自定义 population size：种群大小 creation function：生成函数，产生初始种群 constraint dependent：约束相关，无约束时为uniform，有约束时为feasible population uniform：均匀分布 feasible population ：自适应种群，生成能够满足约束的种群 initial population：初始种群，不指定则使用creation function生成，可以指定少于种群数量的种群，由creation function完成剩余的 initial scores：初始值，如果不指定，则有计算机计算适应度函数作为初始值，对于整型约束不可用，使用向量表示 initial range：初始范围，使用向量矩阵表示，第一行表示范围的下限，第二行表示上限 fitness scaling:适应度尺度 rank：等级。将适应度排序，然后编号 proportional：按比例 top：按比例选取种群中最高适应度的个体，这些个体有等比例的机会繁衍，其余的个体被淘汰 shift linear：线性转换
用遗传算法优化BP神经网络的Matlab编程实例
用遗传算法优化BP神经网络的 Matlab编程实例 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- % % 使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=premnmx(XX); YY=premnmx(YY); %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tan sig','purelin'},'trainlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数 %下面调用gaot工具箱，其中目标函数定义为gabpEval [x,endPop,bPop,trace]=ga(aa,'gabpEval',[],ini tPpp,[1e-6 1 1],'maxGenTerm',gen,... 'normGeomSelect',[],['arithXover'],[2],'n onUnifMutation',[2 gen 3]); %绘收敛曲线图 figure(1) plot(trace(:,1),1./trace(:,3),'r-'); hold on plot(trace(:,1),1./trace(:,2),'b-'); xlabel('Generation'); ylabel('Sum-Squared Error'); figure(2) plot(trace(:,1),trace(:,3),'r-'); hold on plot(trace(:,1),trace(:,2),'b-'); xlabel('Generation'); ylabel('Fittness'); %下面将初步得到的权值矩阵赋给尚未开始训练的BP 网络 [W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x); {2,1}=W1; {3,2}=W2; {2,1}=B1; {3,1}=B2; XX=P; YY=T; %设置训练参数 %训练网络 net=train(net,XX,YY); 程序二：适应值函数 function [sol, val] = gabpEval(sol,options) % val - the fittness of this individual % sol - the individual, returned to allow for Lamarckian evolution % options - [current_generation] load data2 nntwarn off XX=premnmx(XX); YY=premnmx(YY); P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 for i=1:S, x(i)=sol(i);
基于遗传算法的一种新的约束处理方法
基于遗传算法的一种新的约束处理方法 苏勇彦1，王攀1，范衠2 （1武汉理工大学 自动化学院， 湖北 武汉 430070） （2丹麦理工大学 机械系 哥本哈根） 摘 要：本文针对目前的约束处理方法中存在的问题，提出一种新的约束处理方法。该方法通过可行解和不可行解混合交叉的方法对问题的解空间进行搜索，对可行种群和不可行种群分别进行选择操作。避免了惩罚策略中选取惩罚因子的困难，使得约束处理问题简单化。实例测试结果表明，该约束处理方法的有效性。 关键词：遗传算法、约束处理、可行解、不可行解、两种群混合交叉 1引言 科学研究和工程应用中许多问题都可以转化为求解一个带约束条件的函数优化问题[1]。遗传算法（Genetic Algorithm ）与许多基于梯度的算法比较,具有不需要目标函数和约束条件可微,且能收敛到全局最优解的优点 [2]，因此，它成为一种约束优化问题求解的有力工具。目前，基于GA 的约束处理方法有拒绝策略，修复策略，改进遗传算子策略以及惩罚函数策略等。但是这些方法都存在一些问题[3]：修复策略对问题本身的依赖性，对于每个问题必须设计专门的修复程序。改进遗传算子策略则需要设计针对问题的表达方式以及专门的遗传算子来维持解的可行性。惩罚策略解的质量严重依赖于惩罚因子的选取，当惩罚因子不适当时，算法可能收敛于不可行解。 本文针对目前的约束处理方法中存在的问题，提出一种新的约束处理方法。该方法通过可行解和不可行解混合交叉的方法对问题的解空间进行搜索，对可行种群和不可行种群分别进行选择操作。避免了惩罚策略中选取惩罚因子的困难，使得约束处理问题简单化。实例测试结果表明，该约束处理方法的有效性。 2约束处理方法描述 2.1单目标有约束优化问题一般形式 )(max x f ..t s ;0)(≤x g i 1,,2,1m i L L =;0)(=x h i )(,,1211m m m m i +=+=L X x ∈ 这里都是定义在m m m m h h h g g g f ,,,;,,;2121111L L ++n E 上的实值函数。X 是n E 上的 子集，x 是维实向量，其分量为。上述问题要求在变量满足约 束的同时极大化函数。函数通常为目标函数。约束n n x x x ,,,21L n x x x ,,,21L f f ;0)(≤x g i 称为不等式约束；约束称为等式约束。集合;0)(=x h i X 通常为变量的上下界限定的区域。向量且满足所有约束，则称之为问题的可行解。所有可行解构成可行域。否则,为问题的不可行解,所有不可行解构成不可行域。问题的目标是找到一个可行解X x ∈x 使得)()(x f x f ≤对于所有可行解x 成立。那么，x 为最优解[4]。 2.2算法描述 目前，最常采用的约束处理方法为惩罚函数法。但优化搜索的效率对惩罚因子的选择有
遗传算法及优化问题重要有代码
实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显着特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算． 1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念
由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下：
（2）遗传算法的步骤 遗传算法计算优化的操作过程就如同生物学上生物遗传进化的过程，主要有三个基本操作（或称为算子）：选择（Selection）、交叉（Crossover）、变异（Mutation）． 遗传算法基本步骤主要是：先把问题的解表示成“染色体”，在算法中也就是以二进制
用遗传算法优化BP神经网络的Matlab编程实例
用遗传算法优化BP神经网络的M a t l a b编程实例 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- %??GABPNET.m %??使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=premnmx(XX); YY=premnmx(YY); %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin' },'trainlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数 %下面调用gaot工具箱，其中目标函数定义为gabpEval [x,endPop,bPop,trace]=ga(aa,'gabpEval',[],initPpp,[1e-6 1 1],'maxGenTerm',gen,... ??'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMuta tion',[2 gen 3]); %绘收敛曲线图 figure(1) plot(trace(:,1),1./trace(:,3),'r-'); hold on plot(trace(:,1),1./trace(:,2),'b-'); xlabel('Generation'); ylabel('Sum-Squared Error'); figure(2) plot(trace(:,1),trace(:,3),'r-'); hold on plot(trace(:,1),trace(:,2),'b-'); xlabel('Generation'); ylabel('Fittness'); %下面将初步得到的权值矩阵赋给尚未开始训练的BP 网络 [W1,B1,W2,B2,P,T,A1,A2,SE,val]=gadecod(x); net.LW{2,1}=W1; net.LW{3,2}=W2; net.b{2,1}=B1; net.b{3,1}=B2; XX=P; YY=T; %设置训练参数 %训练网络 net=train(net,XX,YY); 程序二：适应值函数 function [sol, val] = gabpEval(sol,options) % val - the fittness of this individual % sol - the individual, returned to allow for Lamarckian evolution % options - [current_generation] load data2 nntwarn off XX=premnmx(XX); YY=premnmx(YY); P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 for i=1:S, ? ?x(i)=sol(i); end; [W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x); 程序三：编解码函数 function [W1, B1, W2, B2, P, T, A1, A2, SE, val]=gadecod(x) load data2
基于遗传算法(GA)的具有约束的飞行轨迹规划
北京航空航天大学学报（控制与仿真专 辑） JOURNAL OF BEIJING UNIVERSITY OF AERONAUTICS AND ASTRONAUTICS 1999年 第25卷 第3期 Vol.25 No.3 1999 基于遗传算法(GA)的具有约束的飞行轨迹规划 王英勋 陈宗基 摘 要 轨迹规划的一个最基本目标是规划飞机通过威胁空间并实现任务目标的飞行轨迹.这个轨迹需满足任务规划所确定的约束，这些约束包括：地形、威胁（静、动态）、燃油、时间、飞行性能等，构成了一个多维、多模态且具有组合爆炸的搜索空间，造成了轨迹规划的具有挑战性的难题.对基于GA的自适应搜索技术的轨迹规划方法和轨迹规划器进行了研究.提出了用来解决满足约束条件最优飞行轨迹问题的描述方法. 关键词 启发式算法；飞行轨迹；最佳化 分类号 V 249.122.3 Genetic Algorithms(GA) Based Flight Path Planning with Constraints Wang Yingxun （Beijing University of Aeronautics and Astronautics, Research Institute of Unmanned Flight Vehicle Design) Chen Zongji （Beijing University of Aeronautics and Astronautics,Dept. of Automatic Control) Abstract One of the basic objects of a flight path planner is to plan a route through threat space to accomplish mission objectives, at the same time the route should satisfy mission planning constraints. These constraints include terrain, threat, fuel, time, and vehicle performance constraints, etc, which compose a multi-dimensional, multi-modal, and combinatorially-explosive search space and pose a difficult challenge for flight path planners. A study on a flight path planning technic and planner based on an adaptive search techniques called Genetic Algorithms is developed. The method which can be used to generate effective vehicle routes meet the constrains is presented. Key words heuristic approach; flight path; optimization 自动轨迹规划是无人机(UAV)先进任务规划系统的关键组成部分.轨迹规划器的目标是在适当的时间内计算出最优或次最优的飞行轨迹，这个轨迹能使UAV突防敌方威
典型优化问题的遗传算法求解—8选址分配问题
典型问题 选址－分配问题 (Location Allocation Problem) 东北大学系统工程研究所 2014.09
选址－分配问题 ● 选址－分配(location-allocation) 问题 也称作多韦伯(multi-Weber ) 问题或P 中位(P-median )问题。 ● 单韦伯(single Weber)问题 在欧几里德空间上典型的单韦伯(single Weber) 问题是寻找一个位置，使从代表顾客位置的一些固定点到它的距离和最小。 ● 问题描述： 有m 个“设施”需要选址，n 个已知位置的“顾客”分配给不同的设施，每个顾客的需求为b j ，j =1,2,…,n ；每个设施具有的能力为a i ，i =1,2,…,m 我们需要找到 设施的位置（选址） 顾客对设施的分配 使顾客和服务他们的设施间的距离总和最小。
图形描述 m : 设施总数n : 顾客总数 F i : 第i 个设施,i =1,2,…,m C j : 第j 个顾客,j =1,2,…,n a i : 第i 个设施的能力b j : 第j 个顾客的需求 F i =(x i , y i ):设备i 的未知位置，决策变量C j =(u j , v j ):顾客j 的已知位置 C 3 C 1C n C 2 F 1F m (x 1, y 1) (u 1, v 1)b 1 a 1 (x m , y m ) (u n , v n )b n a m …
数学模型 n j m i z n j z z g m i a z b z g z C F t z F f ij m i ij j m i ij n j j i ij m i n j j i ,,2,1,,,2,11, or 0 ,,2,1,1)(,,2,1,)( t.s. ),(),( min 1 1 11 =======≤=?=∑∑∑∑=+== = C j F i (x i , y i ) b j a i (u j , v j ) …… 2 2) ()(),(j i j i j i v y u x C F t -+-=? 变量: z ij : 0-1 决策变量 z ij =1,顾客j 由设施i 服务；否则z ij =0F i = (x i , y i ) :设施i 的未知位置，决策变量 ? 参数： t (F i ,C j ): 由设施 i 到顾客j 的欧几里得距离。 保证不超过每个 设施的服务能力 保证每个顾客只由一个设施服务
matlab实用教程 实验十 遗传算法和优化问题
matlab实用教程实验十遗传算法与优化问题 matlab实用教程实验十遗传算法与优化问题 一、问题背景与实验目的 二、相关函数（命令）及简介 三、实验内容 四、自己动手 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算． 1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下：序号遗传学概念遗传算法概念数学概念 1个体要处理的基本对象、结构也就是可行解 2群体个体的集合被选定的一组可行解 3染色体个体的表现形式可行解的编码 4基因染色体中的元素编码中的元素 5基因位某一基因在染色体中的位置元素在编码中的位置 6适应值个体对于环境的适应程度，或在环境压力下的生存能力可行解所对应的适应函数值7种群被选定的一组染色体或个体根据入选概率定出的一组可行解 8选择从群体中选择优胜的个体，淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9交叉一组染色体上对应基因段的交换根据交叉原则产生的一组新解 10交叉概率染色体对应基因段交换的概率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11变异染色体水平上基因变化编码的某些元素被改变 12变异概率染色体上基因变化的概率（可能性大小）开区间(0,1)内的一个值, 一般为0.001~0.01 13进化、
最新 Matlab遗传算法工具箱在约束非线性惩罚函数中的应用-精品
Matlab遗传算法工具箱在约束非线性 惩罚函数中的应用 1 引言(Introduction) 让机器掌握随机优化与搜索的方法，是人类一直努力的目标。遗传算法正是遵循达尔文“优胜劣汰、适者生存”的原理衍生而来的一种自适应全局搜索概率优化算法。最早由20世纪60年代美国Holland教授提出，70年代De Jong在上进行了函数计算实验。80年代Goldberg进行归纳总结，形成了遗传算法的基本框架[1-3]。 解决非线性规划问题最常见使用的数值解法是迭代法。然而对于非线性规划问题，即使约束都是线性的，最优解也不一定在顶点[4]。当梯度迭代不能继续进行，也就停止了对最优解的寻找。惩罚函数法根据约束的特点构造某种“惩罚”项，然后把它加到目标函数中去，使得约束问题的求解，转化为一系列无约束问题的求解[5-7]。 2 遗传算法基本原理与方法 (Basic principles and methods of genetic) 2.1 编码 遗传算法设计首先要进行编码，将需要解决的实际问题从建模空间转化到编程空间，反之称为解码或者译码。目前较为实用的编码方式有二进制编码、格雷码、浮点数编码、符号编码、多参数级联编码和多参数交叉编码方法[6]。 2.2 遗传算法流程图 遗传算法基本流程图如图1所示。 3 Matlab遗传算法工具箱(GAOT) 最新发布的Matlab版本包含一个专门设计的遗传算法工具箱，有一个精心设计的图形用户界面(GUI)，可以方便用户直接、快速地求解最优化问题。本文在Windows VistaTM Home Basic操作系统， Intel(R)Core(TM)2 Duo CPU T5550 @1.83GHz，1.83GHz处理器下运行遗传算法工具箱。以命令行方式调用遗传算法函数ga[6-9]。其语法为[x，fval，reason]=ga(@fitnessfun，nvars，options) 4 实例应用(Example application)