有约束遗传算法
‘壹’ 遗传算法优化的等式约束问题
如果只是x1+x2=c这种简单的约束，只把x1作为自由变量，解出x1后x2 = c - x1
对于复杂的等式约束没有什么太好的办法 只能做到尽可能满足
‘贰’ 遗传算法能否解决同时包含整数约束和等式约束的优化问题
针对遗传算法较难处理含等式约束的优化问题，在设计变量独立性分析的基础上对等式约束采用了降维处理方法，不仅使等式约束在优化时始终严格满足，而且经降维处理后优化问题仅包含不等式约束；然后，借鉴多目标优化思想，提出了从个体违反约束程度和违反次数2方面同时对种群进行排序，使算法对个体的排序和选择更符合实际.实例验证了该算法的有效性和可行性.
‘叁’ 如何在遗传算法中设置变量约束条件
1、首先打开matlab软件，在“APP（应用）”选项卡中选择“Optimization（优化）”工具箱。
‘肆’ 遗传算法中的约束条件怎么处理
在fitness function里面加上，if Y > 0.04，让output = inf。不知道你用什么语言写的，用matlab的话上面这条语句应该可以用。让Y>0.04的情况下，fitness function输出无穷大，就可以直接让这些子代直接被淘汰。
‘伍’ 遗传算法中中约束条件怎么处理呢
只要你的遗传算子选对，进化过程中上下限约束就能满足；
若是其它连续性变量的线性或非线性约束，可采用罚函数法将这些约束加入目标函数（适应度函数）中，这样就能保证最优解在约束范围内。
若是存在0-1的变量（主要是在规划中，某个东西建或不建），则进化过程就会产生较多不可行解，采用直接丢弃的方法固然可以，但是当不可行解多时，这种方法就使遗传算法失去它的优势；所以就有学者提出了不可行解的修复策略，将不可行解通过某种方法转换为可行解。那么不同的优化问题解的修复策略都可能会不同，如果你设计了一个针对你所做问题的修复策略，那也就成了你的创新点之一了。
当然也有设计进化策略的研究，但这方面比较修复策略而言有难度。
‘陆’ 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。
‘柒’ 目标方程和约束条件有微分方程，应该怎么用遗传算法拟合
用遗传算法ga函数是可以拟合带有目标方程和约束条件且含有微分方程的系数，其拟合原则是误差最小估计原则。
解决问题的方法：1、建立自定义目标函数；2、建立自定义约束函数；3、建立自定义微分方程函数；4、误差最小控制函数；5、利用遗传算法ga函数求解拟合系数，利用ode45函数求解微分方程；6、建立嵌套函数计算
‘捌’ 遗传算法具体应用
1、函数优化
函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。
2、组合优化
随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。
此外，GA也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用。
3、车间调度
车间调度问题是一个典型的NP-Hard问题，遗传算法作为一种经典的智能算法广泛用于车间调度中，很多学者都致力于用遗传算法解决车间调度问题，现今也取得了十分丰硕的成果。
从最初的传统车间调度（JSP）问题到柔性作业车间调度问题（FJSP），遗传算法都有优异的表现，在很多算例中都得到了最优或近优解。
(8)有约束遗传算法扩展阅读：
遗传算法的缺点
1、编码不规范及编码存在表示的不准确性。
2、单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加。
3、遗传算法通常的效率比其他传统的优化方法低。
4、遗传算法容易过早收敛。
5、遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。
‘玖’ 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。
(9)有约束遗传算法扩展阅读
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。
‘拾’ 带约束的优化问题 遗传算法怎么编码
建立约束条件函数，把非线性的等式约束条件添加加在[c，ceq]中。如
function [c,ceq]=NonCon(x)
c=x(1)^2+x(2)^2-9;
ceq=[];
然后，再用ga（）函数调用，如
[x, fval, exitflag] =ga(o@FitFun,nvars,A,b,Aeq,beq,lb,ub,NonCon)