matlab多目标遗传算法
❶ NSGA2遗传算法在matlab具体使用方法，有源代码该如何修改程序中的参数及设置
遗传算法在matlab里有两个函数，分别是ga和gaoptimset，前者用来调用遗传算法，后者用来设定遗传算法的参数，具体内容可以doc ga查看，遗传算法有哪些参数可以直接在命令窗口输入gaoptimset查看，祝好。
❷ 怎样运用matlab实现无约束非线性优化问题中的多种方法
- MATLAB中用遗传算法求解约束非线性规划问题 Solution of optimization with nonliear constraints programming by genetic alogorithm in MATLAB 作者:王勇, 期刊-核心期刊 哈尔滨商业大学学报（自然科学版）JOURNAL OF HARBIN UNIVERSITY OF COMMERCE(NATURAL SCIENCES EDITION) 2006年 第04期
- 约束优化问题的遗传算法求解 Genetic algorithm solution for constrained optimization 作者:宋松柏,蔡焕杰,康艳, 期刊-核心期刊 西北农林科技大学学报（自然科学版）JOURNAL OF NORTHWEST SCI-TECH UNIVERSITY OF AGRICULTURE AND FORESTRY(NATURAL SCIENCE EDITION) 2005年 第01期
- 约束优化问题的遗传算法求解 Genetic algorithm solution for constrained optimization 作者:宋松柏,蔡焕杰,康艳, 期刊-核心期刊 西北农林科技大学学报（自然科学版）JOURNAL OF NORTHWEST SCI-TECH UNIVERSITY OF AGRICULTURE AND FORESTRY(NATURAL SCIENCE EDITION) 2005年 第01期
- 非线性规划问题求解的遗传算法设计与实现 Design and Realization of Genetic Algorithm for Solving Nonlinear Programming Problem 作者:刘雪梅,李国民,李景文,毕义明, 期刊-核心期刊 系统工程与电子技术SYSTEMS ENGINEERING AND ELECTRONICS 2000年 第02期
- 解非线性约束规划问题的新型多目标遗传算法 New multi-objective genetic algorithm for nonlinear constraint programming problem 作者:刘淳安,LIU Chun-an, 期刊-核心期刊 计算机工程与设计COMPUTER ENGINEERING AND DESIGN 2006年 第05期
- 解非线性约束规划问题的新型多目标遗传算法 New multi-objective genetic algorithm for nonlinear constraint programming problem 作者:刘淳安, 期刊-核心期刊 计算机工程与设计COMPUTER ENGINEERING AND DESIGN 2006年 第05期
- 基于Matlab遗传工具箱的高强混凝土配合比优化 Mixtures Optimal Design of High-strength Concrete Based on GA Toolbox of MATLAB 作者:陆海标,郑建壮,徐旭岭, 期刊 浙江水利水电专科学校学报JOURNAL OF ZHEJIANG WATER CONSERVANCY AND HYDROPOWER COLLEGE 2007年 第03期
- 遗传算法求解约束非线性规划及Matlab实现 The Solution of Optimization with Nonliear Constraints Programming with Genetic Algorithm and Demonstration by Matlab 作者:倪金林, 期刊-核心期刊 大学数学COLLEGE MATHEMATICS 2005年 第01期
-
- 基于遗传算法的非线性多目标规划及其在油田开发规划中的应用 作者:张晓东, 李树荣, 熊福力, 会议 第二十二届中国控制会议第二十二届中国控制会议论文集(上) 2003年
- 区间非线性规划问题的确定化描述及其递阶求解 Deterministic Interpretation of Interval Nonlinear Programming and Its Hierarchical Optimization Solutions 作者:蒋峥,戴连奎,吴铁军, 期刊-核心期刊 系统工程理论与实践SYSTEMS ENGINEERING-THEORY & PRACTICE 2005年 第01期
- 区间非线性规划问题的确定化描述及其递阶求解 Deterministic Interpretation of Interval Nonlinear Programming and Its Hierarchical Optimization Solutions 作者:蒋峥,戴连奎,吴铁军, 期刊-核心期刊 系统工程理论与实践SYSTEMS ENGINEERING-THEORY & PRACTICE 2005年 第01期
- 一种新的求解非线性规划的混合遗传算法 作者:李丰兵, 会议 第八届中国青年运筹信息管理学者大会第八届中国青年运筹信息管理学者大会论文集 2006年
- 一种启发式算法求解有交易成本组合投资问题 作者:安智宇, 会议 第三届不确定系统年会第三届不确定系统年会论文集 2005年
- 基于遗传算法的设计地震反应谱标定方法 Calibrating Method of Seismic Response Spectrum Based on Genetic Algorithm 作者:夏江,陈清军, 期刊-核心期刊 力学季刊CHINESE QUARTERLY OF MECHANICS 2006年 第02期
- 具有线性不等式约束非线性规划问题的降维算法 Descending Dimension Algorithm of Nolinear Programming Problem with Linear Inequality Constraints 作者:杨懿,张守贵, 期刊-核心期刊 重庆大学学报（自然科学版）JOURNAL OF CHONGQING UNIVERSITY(NATURAL SCIENCE EDITION) 2007年 第10期
- 改进DNA遗传算法求解非线性多约束规划研究 Refined DNA-GA for solving nonlinear multi-constrained programming 作者:王淑超,王乘, 期刊-核心期刊 华中科技大学学报(自然科学版)JOURNAL OF HUAZHONG UNIVERSITY OF SCIENCE AND TECHNOLOGY(NATURE SCIENCE EDITION) 2004年 第06期
- 改进DNA遗传算法求解非线性多约束规划研究 Refined DNA-GA for solving nonlinear multi-constrained programming 作者:王淑超,王乘, 期刊-核心期刊 华中科技大学学报（自然科学版）JOURNAL OF HUAZHONG UNIVERSITY OF SCIENCE AND TECHNOLOGY(NATURE SCIENCE EDITION) 2004年 第06期
- 序列无约束极小化技术和遗传算法在非线性规划中的应用 On the Application of SUMT and GA to Solving Constrained Nonlinear Programming Problem 作者:刘道建,黄天民, 期刊 邵阳高等专科学校学报JOURNAL OF SHAOYANG COLLEGE 2001年 第04期
- 序列无约束极小化技术和遗传算法在非线性规划中的应用 On the Application of SUMT and GA to Solving Constrained Nonlinear Programming Problem 作者:刘道建,黄天民, 期刊 邵阳高等专科学校学报JOURNAL OF SHAOYANG COLLEGE 2001年 第04期
MATLAB中用遗传算法求解约束非线性规划问题
Solution of optimization with nonliear constraints programming by genetic alogorithm in MATLAB
<<哈尔滨商业大学学报（自然科学版）>>2006年 第22卷 第04期
作者: 王勇
约束非线性规划问题的求解往往是运筹学中的NP问题,利用MATLAB中的遗传算法工具箱中的函数方便、快捷的求得了两个实例的最优解,进一步指出了遗传算法与传统的最优化算法的区别.
关键词: 遗传算法, 约束非线性规划, MATLAB, | 全部关键词
最优化技术方法及MATLAB的实现
编 号： 86755
着 作 者： 16.00
出 版 社： 化学工业出版社
书 号： 9787502563837
出版日期： 2005-1-1
内容包括线性规划与MATLAB的实现，即非线性规划、整数规划、动态规划、多目标规划与MATLAB的实现及图与网络分析技术等。为方便读者学习，本书安排了大量最优化方法在工程中的应用实例，根据需要逐个编写了解决这些问题的相应数学模型，应用MATLAB程序，通过简洁的运算给出了较为复杂问题的解。
本书可作为最优化技术方法或MATLAB优化工具箱应用的入门教材，供高职高专或本科院校管理、经济类专业的师生使用，也可供广大爱好者学习参考。
随着计算机科学的发展和应用，应用最优化方法解决问题的领域在不断扩大，最优化的理论和方法也得到普及和发展。线性规划、非线性规划、整数规划、动态规划和多目标规划以及图与网络技术作为最优化方法的主要内容已经成为工程技术人员和经济管理人员所必备的基础知识，目前，最优化方法课程已经开始作为高等院校的普及课程。
在“高等数学”中学习的极值理论、线性代数、向量、矩阵、泰勒公式等概念为学习“最优化方法”奠定了基础。在“最优化方法”中，这些知识的重要价值将在工程应用中得到充分体现。
在最优化方法的应用过程中，要将所学知识直接应用于解决实际问题，中间往往还有一段距离。有时，面对需要建立的复杂数学模型，尤其是繁复的数学计算问题，往往难以入手，因此，人们总是希望能够找到具有通用性和广泛性的方法，用类似于日常使用计算器的手段，解决较为复杂的计算问题。在本书中，将“最优化方法”与“MATLAB工具箱”连接起来学习，就能够在一定程度上弥补这一缺陷。
MATLAB是一个很不错的计算软件，它给数学计算带来了许多的便利和可能性，它提供了几十个工具箱，利用这些工具箱，可以解决不同领域的许多问题。
本书简明扼要、叙述清楚、文字流畅，既可作为工程学科、管理及经济学科的专、本科学生的“最优化方法”教材，也可作为应用“MATLAB工具箱”入门参考教材使用。
本书是编者根据多年的教学经验，为适应新的教学需要而编写的，所有工程应用实例均经过了MATLAB6�5的运行。
本书由曹卫华、郭正编写，其中第1章、第2章、第5章、第6章由曹卫华编写，第3章、第4章、第7章由郭正编写。本书在定稿前曾听取苏金明教授、李旭宇博士等专家的许多宝贵意见，谨在此表示感谢，并感谢其他支持和关心本书出版的领导和同行。
由于本人水平有限，书中错误和不足之处在所难免。有不妥之处，望批评指正。
1概述�
1�1引言�
1�2最优化问题及其工程背景�
1�2�1线性规划问题�
1�2�2非线性规划问题�
1�2�3整数规划问题�
1�2�4多目标规划问题�
1�2�5动态规划问题�
1�2�6图论与网络流�
1�3MATLAB6�5优化工具箱及工程应用简介�
2线性规划与MATLAB实现�
2�1线性规划基本理论�
2�1�1线性规划问题及其数学模型�
2�1�2线性规划问题解的几何意义及图解法�
2�1�3线性规划的基本原理�
2�2求解线性规划问题的基本方法�
2�2�1单纯形法�
2�2�2大�M�法�
2�3线性规划问题的灵敏度分析�
2�4线性规划问题的MATLAB6�5辅助计算及工程应用实例�
2�4�1MATLAB优化工具箱函数选用�
2�4�2工程应用实例�
习题�
3非线性规划与MATLAB实现�
3�1非线性规划基本概念及分类�
3�2无约束非线性规划�
3�2�1最优性条件�
3�2�2一维搜索�
3�2�2�1平分法�
3�2�2�2黄金分割法（0�618法）�
3�2�2�3牛顿法�
3�2�3无约束非线性规划的MATLAB6�5辅助计算及工程应用
实例�
3�2�3�1MATLAB优化工具箱函数选用�
3�2�3�2工程应用实例�
3�3有约束非线性规划�
3�3�1最优性条件�
3�3�2惩罚函数法�
3�3�3约束非线性规划的MATLAB6�5辅助计算及工程应用
实例�
3�3�3�1MATLAB优化工具箱函数选用�
3�3�3�2工程应用实例�
3�3�4二次规划及其MATLAB实现�
3�3�4�1二次规划�
3�3�4�2MATLAB优化工具箱函数选用�
3�3�4�3应用实例�
习题�
4整数规划�
4�1概述�
4�2整数规划的图解法�
4�3分支定界法�
4�3�1分支定......
❸ 如何用matlab解决多元遗传算法问题
如何用matlab解决多元遗传算法的极值问题？可以按下列步骤做
1、首先，建立自定义带条件的最大值目标函数文件，ga_fun.m
if x(1)+x(2)>=-1
y=-（exp(-0.1*(x(1)^4+x(2)^4))+ exp(cos(2*pi*x(1))+cos(2*pi*x(2)))
）
else
y=inf
end
式中:x=x(1),y=x(2)
2、利用ga遗传算法工具箱求解
3、在工具箱中，Fitness function项输入@ga_fun；Number of variables项输入2；Lower项输入[-1,2]；Upper项输入[2,1];
4、点击Start按钮，运行可以得到 fmax(0,0)值(Objective function value)。说明这里负号是最大值的标志
运行界面
❹ matlab遗传算法怎么输入参数
遗传算法工具箱的函数GA基本调用格式如下：
X
=
GA(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub)
其中前两个参数分别是适应度函数和变量个数，第三、四个参数（A和b）即为线性不等式约束。
你现在需要做的是，增加几个线性约束条件：
x1
<
x2
x2
<
x3
x3
<
x4
x4
<
x5
不过，有个问题，遗传算法等优化工具对不等式约束的要求，都必须是闭集（带等号的不等式），也就是说，要的是类似下面这样的约束：
x1
<=
x2
x2
<=
x3
x3
<=
x4
x4
<=
x5
❺ 怎么评价MATLAB中gamultiobj函数（多目标遗传算法）的计算结果比如下面的函数和其部分结果
您好，多目标遗传算法可以得到Pareto Front图，即您展示的结果。至于评价方法应由您自己确定，比如最简单的线性加权函数评价方法，评价值Evalue=w1*minf1(x1,x2)+w2*minf2(x1,x2)，其中w1+w2=1。
总的来说，就是依据自己的需要进行评价，matlab中不含有评价方法（因为评价方法很灵活）。
❻ matlab 多目标优化的实际例子
遗传算法GA求解无约束最优化问题，采用遗传算法求函数的最小值：
f(x,y)=x^4-16x^2-5xy+y^4-16y^2-5y
函数如下：
f=inline('x(1)^4-16*x(1)^2-5*x(1)*x(2)+x(2)^4-16*x(2)^2-5*x(2)','x');
l=[-5 -5];
u=[5 5];
x0=[0 0];
Np=30;
Nb=[12 12];
Pc=0.5;
Pm=0.01;
eta=0.8;
kmax=200;
[xos,fos]=fminsearch(f,x0)
[xo_gen,fo_gen]=genetic(f,x0,l,u,Np,Nb,Pc,Pm,eta,kmax)
其中调用的遗传算法函数为如下几个
genetic函数
function [xo,fo]=genetic(f,x0,l,u,Np,Nb,Pc,Pm,eta,kmax)
N=length(x0);
if nargin<10,kmax=100;end
if nargin<9|eta>1|eta<=0,eta=1;end
if nargin<8,Pm=0.01;end
if nargin<7,Pc=0.5;end
if nargin<6,Nb=8*ones(1,N);end
if nargin<5,Np=10;end
NNb=sum(Nb);
xo=x0(:)';l=l(:)';u=u(:)';
fo=feval(f,xo);
X(1,:)=xo;
for n=2:Np,X(n,:)=1+rand(size(x0)).*(u-1);
P=gen_encode(X,Nb,l,u);
for k=1:kmax
X=gen_decode(P,Nb,l,u);
for n=1:Np,fX(n)=feval(f,X(n,:));end
[fxb,nb]=min(fX);
if fxb<fo,fo=fxb;xo=X(nb,:);end
fX1=max(fxb)-fX;
fXm=fX1(nb);
if fXm<eps,return;end
for n=1:Np
X(n,:)=X(n,:)+eta*(fXm-fX1(n))/fXm*(X(nb,:)-X(n,:));
end
P=gen_encode(X,Nb,l,u);
is=shuffle([1:Np]);
for n=1:2:Np-1
if rand<Pc
P(is(n:n+1),:)=crossover(P(is(n:n+1),:),Nb);
end
end
P=mutation(P,Nb,Pm);
end
gen_encode函数
function P=gen_encode(X,Nb,l,u)
Np=size(X,l);
N=length(Nb);
for n=1:Np
b2=0;
for m=1:N
b1=b2+1;
b2=b2+Nb(m);
Xnm=(2^Nb(m)-1)*(X(n,m)-l(m))/(u(m)-l(m));
P(n,b1:b2)=dec2bin(Xnm,Nb(m));
end
end
gen_decode函数
function X=gen_decode(P,Nb,l,u)
Np=size(P,l);
N=length(Nb);
for n=1:Np
b2=0;
for m=1:N
b1=b2+1;
b2=b1+Nb(m)-1;
X(n,m)=bin2dec(P(n,b1:b2))*(u(m)-l(m))/(2^Nb(m)-1)+l(m);
end
end
crossover函数
function chrms2=crossover(chrms2,Nb)
Nbb=length(Nb);
b2=0;
for m=1:Nbb
b1=b2+1;
bi=b1+mod(floor(rand*Nb(m)),Nb(m));
b2=b2+Nb(m);
tmp=chrms2(1,bi:b2);
chrms2(1,bi:b2)=chrms2(2,bi:b2);
chrms2(2,bi:b2)=tmp;
end
mutation函数
function P=mutation(P,Nb,Pm)
Nbb=length(Nb);
for n=1:size(P,1)
b2=0;
for m=1:Nbb
if rand <Pm
b1=b2+1;
bi=b1+mod(floor(rand*Nb(m)),Nb(m));
b2=b2+Nb(m);
P(n,bi)=~P(n,bi);
end
end
end
shuffle函数
function is=shuffle(is)
N=length(is);
for n=N:-1:2
in=ceil(rand*(n-1));
tmp=is(in);is(in)=is(n);is(n)=tmp;
end
运行结果为
xos =
3.0453 3.1031
fos =
-186.4878
xo_gen=
2.9805 3.3150
fo_gen=
-184.2604
❼ 求一个基本遗传算法的MATLAB代码
我发一些他们的源程序你，都是我在文献中搜索总结出来的：
%
下面举例说明遗传算法
%
%
求下列函数的最大值
%
%
f(x)=10*sin(5x)+7*cos(4x)
x∈[0,10]
%
%
将
x
的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为
(10-0)/(2^10-1)≈0.01
。
%
%
将变量域
[0,10]
离散化为二值域
[0,1023],
x=0+10*b/1023,
其中
b
是
[0,1023]
中的一个二值数。
%
%
%
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
%
编程
%-----------------------------------------------
%
2.1初始化(编码)
%
initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
%
长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name:
initpop.m
%初始化
function
pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));
%
rand随机产生每个单元为
{0,1}
行数为popsize，列数为chromlength的矩阵，
%
roud对矩阵的每个单元进行圆整。这样产生的初始种群。
%
2.2.2
将二进制编码转化为十进制数(2)
%
decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
%
(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
%
参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name:
decodechrom.m
%将二进制编码转换成十进制
function
pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
%
2.4
选择复制
%
选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
%
根据方程
pi=fi/∑fi=fi/fsum
，选择步骤：
%
1）
在第
t
代，由（1）式计算
fsum
和
pi
%
2）
产生
{0,1}
的随机数
rand(
.)，求
s=rand(
.)*fsum
%
3）
求
∑fi≥s
中最小的
k
，则第
k
个个体被选中
%
4）
进行
N
次2）、3）操作，得到
N
个个体，成为第
t=t+1
代种群
%遗传算法子程序
%Name:
selection.m
%选择复制
function
[newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue);
%求适应值之和
fitvalue=fitvalue/totalfit;
%单个个体被选择的概率
fitvalue=cumsum(fitvalue);
%如
fitvalue=[1
2
3
4]，则
cumsum(fitvalue)=[1
3
6
10]
[px,py]=size(pop);
ms=sort(rand(px,1));
%从小到大排列
fitin=1;
newin=1;
while
newin<=px
if(ms(newin))
评论
0
0
加载更多
❽ 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)
❾ 跪求一份多目标优化遗传算法 matlab源代码，不甚感激。邮 箱991882239
我给你一个标准遗传算法程序供你参考：
该程序是遗传算法优化BP神经网络函数极值寻优：
%% 该代码为基于神经网络遗传算法的系统极值寻优
%% 清空环境变量
clc
clear
%% 初始化遗传算法参数
%初始化参数
maxgen=100; %进化代数，即迭代次数
sizepop=20; %种群规模
pcross=[0.4]; %交叉概率选择，0和1之间
pmutation=[0.2]; %变异概率选择，0和1之间
lenchrom=[1 1]; %每个变量的字串长度，如果是浮点变量，则长度都为1
bound=[-5 5;-5 5]; %数据范围
indivials=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体
avgfitness=[]; %每一代种群的平均适应度
bestfitness=[]; %每一代种群的最佳适应度
bestchrom=[]; %适应度最好的染色体
%% 初始化种群计算适应度值
% 初始化种群
for i=1:sizepop
%随机产生一个种群
indivials.chrom(i,:)=Code(lenchrom,bound);
x=indivials.chrom(i,:);
%计算适应度
indivials.fitness(i)=fun(x); %染色体的适应度
end
%找最好的染色体
[bestfitness bestindex]=min(indivials.fitness);
bestchrom=indivials.chrom(bestindex,:); %最好的染色体
avgfitness=sum(indivials.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness];
%% 迭代寻优
% 进化开始
for i=1:maxgen
i
% 选择
indivials=Select(indivials,sizepop);
avgfitness=sum(indivials.fitness)/sizepop;
%交叉
indivials.chrom=Cross(pcross,lenchrom,indivials.chrom,sizepop,bound);
% 变异
indivials.chrom=Mutation(pmutation,lenchrom,indivials.chrom,sizepop,[i maxgen],bound);
% 计算适应度
for j=1:sizepop
x=indivials.chrom(j,:); %解码
indivials.fitness(j)=fun(x);
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(indivials.fitness);
[worestfitness,worestindex]=max(indivials.fitness);
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=indivials.chrom(newbestindex,:);
end
indivials.chrom(worestindex,:)=bestchrom;
indivials.fitness(worestindex)=bestfitness;
avgfitness=sum(indivials.fitness)/sizepop;
trace=[trace;avgfitness bestfitness]; %记录每一代进化中最好的适应度和平均适应度
end
%进化结束
%% 结果分析
[r c]=size(trace);
plot([1:r]',trace(:,2),'r-');
title('适应度曲线','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
axis([0,100,0,1])
disp('适应度 变量');
x=bestchrom;
% 窗口显示
disp([bestfitness x]);