- 积分
- 42
- 注册时间
- 2006-9-26
- 仿真币
-
- 最后登录
- 1970-1-1
|
GreenSim团队的博客开通了,更多原创程序请访问我们的博客
http://blog.sina.com.cn/greensim
通常,非线性整数规划是一个具有指数复杂度的NP问题,如果约束较为复杂,Matlab优化工具箱和一些优化软件比如lingo等,常常无法应用,即使能应用也不能给出一个较为令人满意的解。这时就需要针对问题设计专门的优化算法。下面举一个遗传算法应用于非线性整数规划的编程实例,供大家参考!
模型的形式和适应度函数定义见后面
这是一个具有200个01决策变量的多目标非线性整数规划,编写优化的目标函数如下,其中将多目标转化为单目标采用简单的加权处理。- function Fitness=FITNESS(x,FARM,e,q,w)
- %% 适应度函数
- % 输入参数列表
- % x 决策变量构成的4×50的0-1矩阵
- % FARM 细胞结构存储的当前种群,它包含了个体x
- % e 4×50的系数矩阵
- % q 4×50的系数矩阵
- % w 1×50的系数矩阵
- %%
- gamma=0.98;
- N=length(FARM);%种群规模
- F1=zeros(1,N);
- F2=zeros(1,N);
- for i=1:N
- xx=FARM{i};
- ppp=(1-xx)+(1-q).*xx;
- F1(i)=sum(w.*prod(ppp));
- F2(i)=sum(sum(e.*xx));
- end
- ppp=(1-x)+(1-q).*x;
- f1=sum(w.*prod(ppp));
- f2=sum(sum(e.*x));
- Fitness=gamma*sum(min([sign(f1-F1);zeros(1,N)]))+(1-gamma)*sum(min([sign(f2-F2);zeros(1,N)]));
- 针对问题设计的遗传算法如下,其中对模型约束的处理是重点考虑的地方
- function [Xp,LC1,LC2,LC3,LC4]=MYGA(M,N,Pm)
- %% 求解01整数规划的遗传算法
- %% 输入参数列表
- % M 遗传进化迭代次数
- % N 种群规模
- % Pm 变异概率
- %% 输出参数列表
- % Xp 最优个体
- % LC1 子目标1的收敛曲线
- % LC2 子目标2的收敛曲线
- % LC3 平均适应度函数的收敛曲线
- % LC4 最优适应度函数的收敛曲线
- %% 参考调用格式[Xp,LC1,LC2,LC3,LC4]=MYGA(50,40,0.3)
- %% 第一步:载入数据和变量初始化
- load eqw;%载入三个系数矩阵e,q,w
- %输出变量初始化
- Xp=zeros(4,50);
- LC1=zeros(1,M);
- LC2=zeros(1,M);
- LC3=zeros(1,M);
- LC4=zeros(1,M);
- Best=inf;
- %% 第二步:随机产生初始种群
- farm=cell(1,N);%用于存储种群的细胞结构
- k=0;
- while k %以下是一个合法个体的产生过程
- x=zeros(4,50);%x每一列的1的个数随机决定
- for i=1:50
- R=rand;
- Col=zeros(4,1);
- if R<0.7
- RP=randperm(4);%1的位置也是随机的
- Col(RP(1))=1;
- elseif R>0.9
- RP=randperm(4);
- Col(RP(1:2))=1;
- else
- RP=randperm(4);
- Col(RP(1:3))=1;
- end
- x(:,i)=Col;
- end
- %下面是检查行和是否满足约束的过程,对于不满足约束的予以抛弃
- Temp1=sum(x,2);
- Temp2=find(Temp1>20);
- if length(Temp2)==0
- k=k+1;
- farm{k}=x;
- end
- end
- %% 以下是进化迭代过程
- counter=0;%设置迭代计数器
- while counter
- %% 第三步:交叉
- %交叉采用双亲双子单点交叉
- newfarm=cell(1,2*N);%用于存储子代的细胞结构
- Ser=randperm(N);%两两随机配对的配对表
- A=farm{Ser(1)};%取出父代A
- B=farm{Ser(2)};%取出父代B
- P0=unidrnd(49);%随机选择交叉点
- a=[A(:,1:P0),B(:,(P0+1):end)];%产生子代a
- b=[B(:,1:P0),A(:,(P0+1):end)];%产生子代b
- newfarm{2*N-1}=a;%加入子代种群
- newfarm{2*N}=b;
- %以下循环是重复上述过程
- for i=1:(N-1)
- A=farm{Ser(i)};
- B=farm{Ser(i+1)};
- P0=unidrnd(49);
- a=[A(:,1:P0),B(:,(P0+1):end)];
- b=[B(:,1:P0),A(:,(P0+1):end)];
- newfarm{2*i-1}=a;
- newfarm{2*i}=b;
- end
- FARM=[farm,newfarm];%新旧种群合并
- %% 第四步:选择复制
- FLAG=ones(1,3*N);%标志向量,对是否满足约束进行标记
- %以下过程是检测新个体是否满足约束
- for i=1:(3*N)
- x=FARM{i};
- sum1=sum(x,1);
- sum2=sum(x,2);
- flag1=find(sum1==0);
- flag2=find(sum1==4);
- flag3=find(sum2>20);
- if length(flag1)+length(flag2)+length(flag3)>0
- FLAG(i)=0;%如果不满足约束,用0加以标记
- end
- end
- NN=length(find(FLAG)==1);%满足约束的个体数目,它一定大于等于N
- NEWFARM=cell(1,NN);
- %以下过程是剔除不满主约束的个体
- kk=0;
- for i=1:(3*N)
- if FLAG(i)==1
- kk=kk+1;
- NEWFARM{kk}=FARM{i};
- end
- end
- %以下过程是计算并存储当前种群每个个体的适应值
- SYZ=zeros(1,NN);
- syz=zeros(1,N);
- for i=1:NN
- x=NEWFARM{i};
- SYZ(i)=FITNESS2(x,NEWFARM,e,q,w);%调用适应值子函数
- end
- k=0;
- %下面是选择复制,选择较优的N个个体复制到下一代
- while k minSYZ=min(SYZ);
- posSYZ=find(SYZ==minSYZ);
- POS=posSYZ(1);
- k=k+1;
- farm{k}=NEWFARM{POS};
- syz(k)=SYZ(POS);
- SYZ(POS)=inf;
- end
- %记录和更新,更新最优个体,记录收敛曲线的数据
- minsyz=min(syz);
- meansyz=mean(syz);
- pos=find(syz==minsyz);
- LC3(counter+1)=meansyz;
- if minsyz Best=minsyz;
- Xp=farm{pos(1)};
- end
- LC4(counter+1)=Best;
- ppp=(1-Xp)+(1-q).*Xp;
- LC1(counter+1)=sum(w.*prod(ppp));
- LC2(counter+1)=sum(sum(e.*Xp));
- %% 第五步:变异
- for i=1:N
- if Pm>rand%是否变异由变异概率Pm控制
- AA=farm{i};%取出一个个体
- POS=unidrnd(50);%随机选择变异位
- R=rand;
- Col=zeros(4,1);
- if R<0.7
- RP=randperm(4);
- Col(RP(1))=1;
- elseif R>0.9
- RP=randperm(4);
- Col(RP(1:2))=1;
- else
- RP=randperm(4);
- Col(RP(1:3))=1;
- end
- %下面是判断变异产生的新个体是否满足约束,如果不满足,此次变异无效
- AA(:,POS)=Col;
- Temp1=sum(AA,2);
- Temp2=find(Temp1>20);
- if length(Temp2)==0
- farm{i}=AA;
- end
- end
- end
- counter=counter+1
- end
- %第七步:绘收敛曲线图
- figure(1);
- plot(LC1);
- xlabel('迭代次数');
- ylabel('子目标1的值');
- title('子目标1的收敛曲线');
- figure(2);
- plot(LC2);
- xlabel('迭代次数');
- ylabel('子目标2的值');
- title('子目标2的收敛曲线');
- figure(3);
- plot(LC3);
- xlabel('迭代次数');
- ylabel('适应度函数的平均值');
- title('平均适应度函数的收敛曲线');
- figure(4);
- plot(LC4);
- xlabel('迭代次数');
- ylabel('适应度函数的最优值');
- title('最优适应度函数的收敛曲线');
复制代码 --------------------------------------------------------------------------------
【GreenSim团队简介】
——更多原创程序,请访问GreenSim团队的主页→http://blog.sina.com.cn/greensim
GreenSim团队长期从事建模仿真、算法设计、代写程序等业务,为您提供实验、课题、论文、项目等方面的仿真服务。
GreenSim团队擅长的学科领域主要有
【智能算法】遗传算法、模拟退火、神经网络、蚁群算法、免疫优化、支持向量机、拟物拟人
【运筹优化】数学建模、数值优化算法、大规模/非线性问题、组合优化、NP完全问题
【信息与通信】无线通信、信号处理、计算机网络
【其它学科】任何问题,只要能归结为数学问题或者算法仿真,我们都有实力和信心解决
GreenSim团队的联系方式:
QQ: 330264704,535115369 Email:greensim@163.com(来 信 必 复)
[ 本帖最后由 aiwa 于 2007-3-18 13:39 编辑 ] |
本帖子中包含更多资源
您需要 登录 才可以下载或查看,没有账号?注册
×
评分
-
1
查看全部评分
-
|