遗传算法目标函数

Ⅰ matlab 遗传算法里gamultiobj如何输出每个generation的目标函数值

[x,fval,attainfactor] =fgoalattain(fun,x0,goal,weight,A,b,Aeq,beq,lb,ub,nonlcon)
x:最优解
fval:每个目标函数最优值
attainfactor：超出或未到 目标 的 量
fun：目标 函数，由于 是多目标函数，所以这是一个 向量
x0，自变量的 初始值
goal:目标，是个向量
weight:各个 目标 的权重
下面三个同线性优化一样
Ax<=b
Aeq*x=beq
lb<x<ub
nonlcon与非线性约束函数fmincon中 一样！

Ⅱ 在遗传算法中目标函数与适应度函数有什么区别,根据哪个来选择子代个体

目标函数就是你希望得到的优化结果,比如函数最大值或者最小值.而适应度函数是为了计算个体的适配值.
适配值是非负的,而且要求适配值越大则该个体越优越.而目标函数则有正有负,它们之间关系多种多样,比如求最小值时,目标函数最小,则适配值越大,求最大值时目标值越大,适配值越大.

Ⅲ 使用matlab遗传算法工具箱如何加入目标函数中变量的约束条件啊，可否在M文件中加

首先回答你第一个问题：怎么加入变量的约束条件？

打开遗传算法工具箱的窗体中会有下图所示的选项，即是约束条件的编辑

至于添加的方式，这里要重点的提一下，首先将问题抽象成规划问题的标准形式（如果你不懂什么是标准形式的话，建议你去翻阅运筹学那本书，上告诉你什么是标准形式），然后用矩阵语言写出来，最后将矩阵的系数填写到线性不等约束和线性相等约束中，同时定义所求变量x的上界和下界（记住有多少个变量就有多少列，如果你发现有些条件中没有出现某些变量，那么就应该用0补足，这个是matlab解决规划问题与lingo想比较麻烦的一个地方，）。

然后回答你第二个问题：可否在M文件中添加约束条件？

当然可以，界面的东西是为了方便不熟悉matlab编程的人而设计出来的，但是其底层的算法和接口肯定是有的。

碰到不懂的函数，请记得：help函数名

helpga之后会得到一下一些函数

ga

//这个是定义

Syntax //这个是语法也即是调用的规则

x=ga(fitnessfcn,nvars)

x=ga(fitnessfcn,nvars,A,b)

x=ga(fitnessfcn,nvars,A,b,Aeq,beq)

x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB)

x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon)

x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)

x=ga(problem)

[x,fval]=ga(...)

直接给你将最长的那个吧

x=ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)

X是返回所求的解

fitnessfcn是适应度函数

nvars是适应度函数中所含变量的维数

A是不等式约束中变量的系数矩阵，b是不等式约束中不含变量的值矩阵

Aeq是等式约束中变量的系数矩阵，beq是等式约束中不含变量的值矩阵

LB是下界，UB是上界

nonlcon是非线性约束条件

至于options嘛 我也木有用过，其实你也可以不用管的。

懂了木有呢，亲？

Ⅳ 多目标遗传算法 目标函数的权重问题

推荐算法中几种常用的多目标变单一目标的方法：

(1)目标加权法：F(x)=∑λf(x)，∑λ=1。λ可固定或随机或自适应，加权求和之前一般需要进行无量纲化处理

(2)乘除法：min F(x)=(minf1×minf2×...)/(maxfn×maxfn+1×...).

(3)主要目标法/约束法：次要目标构成对主要目标的约束条件, 缺点：需要人为设定次要目标的约束参数

谢采纳~

Ⅳ 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。

(5)遗传算法目标函数扩展阅读

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。

Ⅵ 遗传算法

优化的算法有很多种，从最基本的梯度下降法到现在的一些启发式算法，如遗传算法(GA)，差分演化算法(DE)，粒子群算法(PSO)和人工蜂群算法(ABC)。

举一个例子，遗传算法和梯度下降：

梯度下降和遗传算法都是优化算法，而梯度下降只是其中最基础的那一个，它依靠梯度与方向导数的关系计算出最优值。遗传算法则是优化算法中的启发式算法中的一种，启发式算法的意思就是先需要提供至少一个初始可行解，然后在预定义的搜索空间高效搜索用以迭代地改进解，最后得到一个次优解或者满意解。遗传算法则是基于群体的启发式算法。

遗传算法和梯度下降的区别是：

1.梯度下降使用误差函数决定梯度下降的方向，遗传算法使用目标函数评估个体的适应度
2.梯度下降是有每一步都是基于学习率下降的并且大部分情况下都是朝着优化方向迭代更新，容易达到局部最优解出不来；而遗传算法是使用选择、交叉和变异因子迭代更新的，可以有效跳出局部最优解
3.遗传算法的值可以用二进制编码表示，也可以直接实数表示

遗传算法如何使用它的内在构造来算出 α 和 β ：

主要讲一下选择、交叉和变异这一部分：
1.选择运算:将选择算子作用于群体。选择的目的是把优秀（适应值高）的个体直接遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。

2.交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。交叉算子是将种群中的个体两两分组，按一定概率和方式交换部分基因的操作。将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。例如：（根据概率选取50个个体，两两配对，交换x,y，比如之前两个是(x1,y1),(x2,y2)，之后变成了（x1,y2）,(x2,y1)）

3.变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。（x2可能变为x2+δ，y1变为y1+δ）
种群P(t)经过选择、交叉、变异运算之后得到下一代种群P(t+1)。

遗传算法就是通过对大量的数据个体使用选择、交叉和变异方式来进化，寻找适合问题的最优解或者满意解。

遗传算法参数的用处和设置：

1.编码选择：通常使用二进制编码和浮点数编码，二进制适合精度要求不高、特征较少的情况。浮点数适合精度高、特征多的情况
2.种群：种群由个体组成，个体中的每个数字都代表一个特征，种群个体数量通常设置在40-60之间；迭代次数通常看情况定若计算时间较长可以在100内，否则1000以内都可以。
3.选择因子：通常有轮盘赌选择和锦标赛选择，轮盘赌博的特点是收敛速度较快，但优势个体会迅速繁殖，导致种群缺乏多样性。锦标赛选择的特点是群多样性较为丰富，同时保证了被选个体较优。
4.交叉因子：交叉方法有单点交叉和两点交叉等等，通常用两点交叉。交叉概率则选择在0.7-0.9。概率越低收敛越慢时间越长。交叉操作能够组合出新的个体，在串空间进行有效搜索，同时降低对种群有效模式的破坏概率。
5.变异因子：变异也有变异的方法和概率。方法有均匀变异和高斯变异等等；概率也可以设置成0.1。变异操作可以改善遗传算法的局部搜索能力，丰富种群多样性。
6.终止条件：1、完成了预先给定的进化代数；2、种群中的最优个体在连续若干代没有改进或平均适应度在连续若干代基本没有改进；3、所求问题最优值小于给定的阈值.

Ⅶ 用遗传算法求解多目标函数

用matlab来实现会非常简单，matlab中直接提供遗传算法工具箱，单目标的用ga来求解，多目标的用gamultiobj来求解。详细可以参考matlab帮助文件。

Ⅷ 你好，我想问下怎么根据我设计的目标函数和约束条件在matlab中编写遗传算法的程序

给你一个例子，说明如何用ge（）函数求解带有约束条件的目标函数问题。

1、首先建立带有约束条件的目标函数

function f =ga_fun0(x)

if (1.5+x(1)*x(2)-x(1)-x(2)>0 | -x(1)*x(2)>10)

f=100;

else

f=exp(x(1))*(4*x(1)^2+2*x(2)^2+4*x(1)*x(2)+2*x(2)+1);

end

end

2、在命令窗口中执行下列命令

>>[x,fval] = ga(@ga_fun0,2)

运行结果

如还有问题，请将问题贴出来，帮你解决。

Ⅸ matlab,遗传算法，多目标函数求极值

如何用matlab求多目标函数求极值？实际上处理的方法和单目标是一样的，你可以这样来自定义目标函数。例如：

function [z1,z2,z3]=myfun(x)

z1=目标函数表达式 1

z2=目标函数表达式 2

z3=目标函数表达式 3

end

然后，用ga（）遗传算法函数调用其函数。调用格式：

fitnessfcn=@myfun;

nvars=变量数;

[x,fval,exitflag] = ga(fitnessfcn,nvars)

Ⅹ 遗传算法用锦标赛选择的话，适应度函数可以当做目标函数吗

其实适应度函数的根本是目标函数的函数，理解了这一点，我们就会知道目标函数可以做适应度函数，此时目标函数的函数选取的是恒等函数而已，所以说适应度函数当目标函数的说法有点问题，应该反过来说就对了

那么当适应度函数就是目标函数时，得出的结果如果你是指编码的个体或者染色体的话，是可以作为下一代的母代
多说一句，当我们求某函数的最大值时，如果直接把目标函数作为适应度函数，求出应为最小值（如果存在的话），所以此时我们要把目标函数取反作为适应度函数，再进行优化就可以求得最大值的个体。