<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<meta charset="utf-8">
<meta name="generator" content="pdf2htmlEX">
<meta http-equiv="X-UA-Compatible" content="IE=edge,chrome=1">
<link rel="stylesheet" href="https://static.pudn.com/base/css/base.min.css">
<link rel="stylesheet" href="https://static.pudn.com/base/css/fancy.min.css">
<link rel="stylesheet" href="https://static.pudn.com/prod/directory_preview_static/626c458c7ae5df2aa72bdc72/raw.css">
<script src="https://static.pudn.com/base/js/compatibility.min.js"></script>
<script src="https://static.pudn.com/base/js/pdf2htmlEX.min.js"></script>
<script>
try{
pdf2htmlEX.defaultViewer = new pdf2htmlEX.Viewer({});
}catch(e){}
</script>
<title></title>
</head>
<body>
<div id="sidebar" style="display: none">
<div id="outline">
</div>
</div>
<div id="pf1" class="pf w0 h0" data-page-no="1"><div class="pc pc1 w0 h0"><img class="bi x0 y0 w1 h1" alt="" src="https://static.pudn.com/prod/directory_preview_static/626c458c7ae5df2aa72bdc72/bg1.jpg"><div class="c x0 y1 w2 h2"><div class="t m0 x1 h3 y2 ff1 fs0 fc0 sc0 ls0 ws0">遗传算法及其<span class="_ _0"> </span><span class="ff2 sc1">MA<span class="_ _1"></span>TLAB<span class="_ _0"> </span><span class="ff1 sc0">实现</span></span></div><div class="t m0 x1 h4 y3 ff1 fs1 fc1 sc1 ls0 ws0">主要参考书：</div><div class="t m0 x1 h5 y4 ff3 fs2 fc1 sc1 ls0 ws0">MA<span class="_ _2"></span>TLAB 6.5 <span class="ff1 sc2">辅助优化计算与设计 <span class="fc0 sc0">飞思科技产品研发中心</span>编著 </span></div><div class="t m0 x1 h5 y5 ff1 fs2 fc1 sc2 ls0 ws0">电子工业出版社 <span class="ff3 sc1">2003.1</span></div><div class="t m0 x1 h5 y6 ff1 fs2 fc1 sc2 ls0 ws0">遗传算法及其应用 <span class="fc0 sc0">陈国良</span>等编著</div><div class="t m0 x1 h5 y7 ff1 fs2 fc1 sc2 ls0 ws0">人民邮电出版社 <span class="ff3 sc1">1996.6</span></div><div class="t m0 x1 h5 y8 ff1 fs2 fc0 sc0 ls0 ws0">主要内容：</div><div class="t m0 x1 h5 y9 ff4 fs2 fc2 sc1 ls0 ws0"><span class="_ _3"> </span><span class="ff1 fc1 sc2">遗传算法简介</span></div><div class="t m0 x1 h5 ya ff4 fs2 fc2 sc1 ls0 ws0"><span class="_ _3"> </span><span class="ff1 fc1 sc2">遗传算法的<span class="_ _4"> </span><span class="ff3 sc1">MA<span class="_ _2"></span>TLAB<span class="_ _4"> </span><span class="ff1 sc2">实现</span></span></span></div><div class="t m0 x1 h5 yb ff4 fs2 fc2 sc1 ls0 ws0"><span class="_ _3"> </span><span class="ff1 fc1 sc2">应用举例</span></div><div class="t m0 x2 h4 yc ff1 fs1 fc1 sc1 ls0 ws0">在工业工程中<span class="ff5">,</span>许多最优化问题性质十分复杂<span class="ff5">,</span>很难用</div><div class="t m0 x1 h4 yd ff1 fs1 fc1 sc1 ls0 ws0">传统的优化方法来求解<span class="ff5">.</span>自<span class="_ _5"> </span><span class="ff5">1960<span class="_ _5"> </span></span>年以来<span class="ff5">,</span>人们对求解这类难</div><div class="t m0 x1 h4 ye ff1 fs1 fc1 sc1 ls0 ws0">解问题日益增加<span class="ff5">.</span>一种模仿生物自然进化过程的、被称为“</div><div class="t m0 x1 h4 yf ff1 fs1 fc1 sc1 ls0 ws0">进化算法（<span class="ff5">evolutionary algorithm</span>）”的随机优化技术在解这</div><div class="t m0 x1 h4 y10 ff1 fs1 fc1 sc1 ls0 ws0">类优化难题中显示了优于传统优化算法的性能。目前，进化</div><div class="t m0 x1 h4 y11 ff1 fs1 fc1 sc1 ls0 ws0">算法主要包括三个研究领域：<span class="fc0">遗传算法</span>、<span class="fc0">进化规划</span>和<span class="fc0">进化</span></div><div class="t m0 x1 h4 y12 ff1 fs1 fc0 sc1 ls0 ws0">策略<span class="fc1">。其中遗传算法是迄今为止进化算法中应用最多、比较</span></div><div class="t m0 x1 h4 y13 ff1 fs1 fc1 sc1 ls0 ws0">成熟、广为人知的算法。</div><div class="t m0 x1 h4 y14 ff1 fs1 fc0 sc0 ls0 ws0">一、遗传算法简介</div><div class="t m0 x1 h4 y15 ff5 fs1 fc1 sc1 ls0 ws0"> <span class="ff1">遗传算法（</span>Genetic <span class="_ _2"></span>Algorithm, GA<span class="ff1">）最先是由美国<span class="_ _5"> </span></span>Mic-</div><div class="t m0 x1 h4 y16 ff5 fs1 fc1 sc1 ls0 ws0">hgan<span class="_ _5"> </span><span class="ff1">大学的<span class="_ _4"> </span></span>John<span class="_ _6"></span> Holland<span class="_ _5"> </span><span class="ff1">于<span class="_ _4"> </span></span>1<span class="_ _6"></span>975<span class="_ _5"> </span><span class="ff1">年提出的。遗传算法是</span></div><div class="t m0 x1 h4 y17 ff1 fs1 fc1 sc1 ls0 ws0">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</div><div class="t m0 x1 h4 y18 ff1 fs1 fc1 sc1 ls0 ws0">模型。它的思想源于生物遗传学和适者生存的自然规律，</div><div class="t m0 x1 h4 y19 ff1 fs1 fc1 sc1 ls0 ws0">是具有“生存<span class="ff5">+</span>检测”的迭代过程的搜索算法。遗传算法</div><div class="t m0 x1 h4 y1a ff1 fs1 fc1 sc1 ls0 ws0">以一种群体中的所有个体为对象，并利用随机化技术指</div><div class="t m0 x1 h4 y1b ff1 fs1 fc1 sc1 ls0 ws0">导对一个被编码的参数空间进行高效搜索。其中，选择、</div><div class="t m0 x1 h4 y1c ff1 fs1 fc1 sc1 ls0 ws0">交叉和变异构成了遗传算法的遗传操作；<span class="fc2 sc3">参数编码</span><span class="sc2">、<span class="fc2 sc3">初始</span></span></div><div class="t m0 x1 h4 y1d ff1 fs1 fc2 sc3 ls0 ws0">群体的设定<span class="fc1 sc2">、</span>适应度函数的设计<span class="fc1 sc2">、</span>遗传操作设计<span class="fc1 sc2">、</span>控制参</div><div class="t m0 x1 h4 y1e ff1 fs1 fc2 sc3 ls0 ws0">数设定<span class="fc1 sc1">等<span class="_ _5"> </span><span class="ff5">5<span class="_ _5"> </span></span>个要素组成了遗传算法的核心内容。</span></div><div class="t m0 x1 h6 y1f ff1 fs3 fc0 sc0 ls0 ws0">遗传算法的基本步骤：</div><div class="t m0 x2 h4 y20 ff1 fs1 fc1 sc1 ls0 ws0">遗传算法是一种基于生物自然选择与遗传机理的随机</div><div class="t m0 x1 h4 y21 ff1 fs1 fc1 sc1 ls0 ws0">搜索算法，与传统搜索算法不同，遗传算法从一组随机产</div><div class="t m0 x1 h4 y22 ff1 fs1 fc1 sc1 ls0 ws0">生的称为“种群<span class="ff5">(Population)<span class="ff6">”</span></span>的初始解开始搜索过程。种</div><div class="t m0 x1 h4 y23 ff1 fs1 fc1 sc1 ls0 ws0">群中的每个个体是问题的一个解，称为“染色体<span class="ff5">(chromos</span></div><div class="t m0 x1 h4 y24 ff5 fs1 fc1 sc1 ls0 ws0">ome)<span class="ff6">”<span class="ff1">。染色体是一串符号，比如一个二进制字符串。这</span></span></div><div class="t m0 x1 h4 y25 ff1 fs1 fc1 sc1 ls0 ws0">些染色体在后续迭代中不断进化，称为遗传。在每一代中</div><div class="t m0 x1 h4 y26 ff1 fs1 fc1 sc1 ls0 ws0">用“适值<span class="ff5">(fitness)<span class="ff6">”</span></span>来测量染色体的好坏，生成的下一代染</div><div class="t m0 x1 h4 y27 ff1 fs1 fc1 sc1 ls0 ws0">色体称为后代（<span class="ff5">offsprin<span class="_ _7"></span>g<span class="ff1">）。后代是由前一代染色体通过交</span></span></div><div class="t m0 x1 h4 y28 ff1 fs1 fc1 sc1 ls0 ws0">叉<span class="ff5">(crossover)</span>或者变异（<span class="ff5">mutation</span>）运算形成的。</div><div class="t m0 x1 h4 y29 ff1 fs1 fc1 sc1 ls0 ws0">在新一代形成过程中，根据适度的大小选择部分后代，淘</div><div class="t m0 x1 h4 y2a ff1 fs1 fc1 sc1 ls0 ws0">汰部分后代。从而保持种群大小是常数。适值高的染色体</div><div class="t m0 x1 h4 y2b ff1 fs1 fc1 sc1 ls0 ws0">被选中的概率较高，这样经过若干代之后，算法收敛于最</div><div class="t m0 x1 h4 y2c ff1 fs1 fc1 sc1 ls0 ws0">好的染色体，它<span class="fc2">很可能</span>就是问题的最优解或次优解。</div><div class="t m0 x1 h4 y2d ff1 fs1 fc0 sc0 ls0 ws0">主要步骤如下所示：<span class="ff2 sc1"> </span></div><div class="t m0 x1 h4 y2e ff5 fs1 fc1 sc1 ls0 ws0">(1)<span class="ff1 fc2 sc3">编码</span><span class="ff1">：</span>GA<span class="_ _5"> </span><span class="ff1">在进行搜索之前先将解空间的解数据<span class="ff7">表</span>示成</span></div><div class="t m0 x1 h4 y2f ff1 fs1 fc1 sc1 ls0 ws0">遗传空间的基<span class="ff7">因</span>型串<span class="ff7">结</span>构数据，这些串<span class="ff7">结</span>构数据的不同组</div><div class="t m0 x1 h4 y30 ff7 fs1 fc1 sc1 ls0 ws0">合便<span class="ff1">构成了不同的</span>点<span class="ff1">。</span></div><div class="t m0 x1 h4 y31 ff5 fs1 fc1 sc1 ls0 ws0">(2)<span class="ff1 fc2 sc3">初始群体的生成</span><span class="ff1">：随机产生<span class="_ _5"> </span></span>N<span class="_ _5"> </span><span class="ff1">个初始串<span class="ff7">结</span>构数据，每个</span></div><div class="t m0 x1 h4 y32 ff1 fs1 fc1 sc1 ls0 ws0">串<span class="ff7">结</span>构数据称为一个个体，<span class="ff5">N<span class="_ _5"> </span></span>个个体构成了<span class="ff7">—</span>个群体。<span class="ff5"> </span></div><div class="t m0 x1 h4 y33 ff5 fs1 fc1 sc1 ls0 ws0">GA<span class="_ _5"> </span><span class="ff1">以这<span class="_ _5"> </span></span>N<span class="_ _4"> </span><span class="ff1">个串<span class="ff7">结</span>构数据作为初始<span class="ff7">点</span>开始迭代。</span></div></div></div><div class="pi" data-data='{"ctm":[1.611850,0.000000,0.000000,1.611850,0.000000,0.000000]}'></div></div>
</body>
</html>
遗传算法MATLAB实现
- B7_388704了解作者
- 183.4KB文件大小
- rar文件格式
- 0收藏次数
- VIP专享资源类型
- 0下载次数
- 2022-04-28 08:16上传日期
遗传算法MATLAB实现，附WORD说明算法
31919125genetic_MATLAB.rar
遗传算法及其MATLAB实现- ga
- gaZBGradEval.m684B
- gademo3.m6.1KB
- heuristicXover.m2.1KB
- floatGradExample.m2.1KB
- calcbits.m1.3KB
- optMaxGenTerm.m1.5KB
- unifMutation.m1.6KB
- coranaEval.m1.4KB
- orderbasedXover.m1.7KB
- cyclicXover.m1.6KB
- enhancederXover.m2.3KB
- gademo.m4.2KB
- partmapXover.m1.9KB
- plotCorana.m514B
- inversionMutation.m1.5KB
- b2f.m1.5KB
- floatExample.m2.3KB
- multiNonUnifMutation.m1.9KB
- dists.m6.7KB
- initializeoga.m1.5KB
- boundaryMutation.m1.6KB
- simpleXover.m1.6KB
- initializega.m1.1KB
- erXover.m2.1KB
- tspEval.m157B
- binaryMutation.m1.5KB
- swapMutation.m1.5KB
- orderBasedExample.m2.8KB
- Contents.m4.6KB
- EER.m1.5KB
- ga.m10.6KB
- threeswapMutation.m1.4KB
- delta.m1.4KB
- f2b.m1.5KB
- singleptXover.m1.5KB
- tournSelect.m1.6KB
- gademo1.m3.8KB
- gademo1eval1.asv1.2KB
- nonUnifMutation.m2.1KB
- coranaFeval.m1.5KB
- linerorderXover.m1.8KB
- gaotv5.ps129.6KB
- binaryExample.m2KB
- gaMichEval.m193B
- shiftMutation.m1.6KB
- coranaMin.m1.2KB
- roulette.m861B
- uniformXover.m1.8KB
- normGeomSelect.m2.3KB
- startup.m50B
- gaZBGrad.m174B
- README1.1KB
- gademo1eval1.m1.2KB
- maxGenTerm.m1.3KB
- parse.m1.4KB
- arithXover.m1.5KB
- gademo2.m2.8KB
- adjswapMutation.m1.4KB
- 遗传算法及其MATLAB实现.doc1.3MB
- www.pudn.com.txt218B
内容介绍
评论
相关推荐
- 蛙跳算法MATLAB程序基本蛙跳算法的MATLAB程序。用MATLAB编写的基础算法。
- 遗传算法Matlab程序应用数字群算法设计数字滤波器的matlab程序，遗传算法是最近几年流行的优化算法
- Q算法MATLAB仿真移动机器人路径规划MATLAB仿真，使用Q-Learning算法，
- PSO 算法matlab程序这个程序就是最基本的粒子群优化算法程序，用Matlab实现。
- 遗传算法MATLAB应用老师上课的参考书 主要是关于遗传算法的一些MATLAB应用，十分有意思 希望大家能喜欢
- 遗传算法matlabmatlab程序下的遗传算法
- 遗传算法matlab遗传算法是自然选择和群体学基础上的非数值优化方法。提供了些matlab实例计算
- 遗传算法matlabmatlab是科学计算常用的工具，遗传算法也是一种目前比较流行的一种算法，利用matlab写的遗传算法代码，供大家参考。
- 遗传算法matlab代码遗传算法matlab代码，能够正常运行，对于刚开始接触遗传算法的人员有很好的帮助
- SIM800C_MQTT.rar使用SIM800C模块，使用MQTT协议，连接中国移动onenet平台，能实现数据的订阅、发布、存储等
最新资源