遗传算法规划

1. 代码！！！－－基于遗传算法在路径规划优化中的应用

遗传算法， 是人工智能的一种算法的。

以前图书馆有看到， 很多相关的书肢升亮的，不要寄望于自己什么都不笑局做，历宽就找人家帮忙啦。

2. 遗传算法路径规划是什么原理

遗传算法有相当大的引用。遗传算法在游戏中应用的现状在遗传编码时, 一般将瓦片的坐标作为基因进行实数编码, 染色体的第一个基因为起点坐标, 最后一个基因为终点坐标, 中间的基因为路径经过的每一个瓦片的坐标。在生成染色体时, 由起点出发, 随机选择当前结点的邻居节点中的可通过节点, 将其坐标加入染色体, 依此循环, 直到找到目标点为止, 生成了一条染色体。重复上述操作, 直到达到指定的种群规模。遗传算法的优点：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。遗传算法的缺点：遗传算法在进行编码时容易出现不规范不准确的问题。

3. 本科运用遗传算法进行路劲规划,运用改进的遗传算法吗

本科运用遗传算法进行路劲规划，运用改进的不是遗传算法。
路径规划的研究的笑仿目的是对线路的最佳方式选择，以及对成本控制。它的意义是可以提高效率棚铅达到效益最大化，和遗传算法没有关系，因此本科运用遗传算法进行路劲规划，运用改进的不是遗传算碰和纤法。
遗传算法便基于达尔文的进化论，模拟了自然选择，物竞天择、适者生存，通过N代的遗传、变异、交叉、复制，进化出问题的最优解。

4. 遗传算法的核心是什么！

遗传操作的交叉算子。

在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。同样，遗传算法中起核心作用的是遗传操作的交叉算子。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。

交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。

(4)遗传算法规划扩展阅读

评估编码策略常采用以下3个规范：

a)完备性(completeness):问题空间中的所有点(候选解)都能作为GA空间中的点(染色体)表现。

b)健全性(soundness): GA空间中的染色体能对应所有问题空间中的候选解。

c)非冗余性(nonrendancy):染色体和候选解一一对应。

目前的几种常用的编码技术有二进制编码，浮点数编码，字符编码，变成编码等。

而二进制编码是目前遗传算法中最常用的编码方法。即是由二进制字符集{0,1}产生通常的0,1字符串来表示问题空间的候选解。

5. 求助大神 利用遗传算法解决非线性规划问题，最好有MATLAB代码

%%%%%%%%%%%
无聊到专门帮你写了个程序。不想全部写完，自己补完。PS：这题怎么看都是线性规划
&&&&&&&&&&&&&&
%%%%%%%%%%%%%%利用遗传算法计算最优化问题%%%%%%%
%遗传算法参数设置
popsize=200; %种群个数
generation=500;%种群迭代次数，繁殖后代数
pc=0.4; %两个体之间交叉概率
pm=0.05; %个体变异的概率
yueshu=0; %约束成立的标志为1
%初始化群体
for i=1:popsize
while(yuesu==0) %当约束成立时，不再变异。约束不成立时变异。
x(i,1)=randint(1,1,[0,35]); %随机生成（0-35）的整数
x(i,2)=randint(1,1,[0,60]);
x(i,3)=randint(1,1,[0,40]);
x(i,4)=randint(1,1,[0,40]);
x(i,5)=randint(1,1,[0,30]);
x(i,6)=randint(1,1,[0,30]);
x(i,7)=randint(1,1,[0,35]);
x(i,8)=randint(1,1,[0,20]);
%这里自己写几行程序就好
if
%这里判断约束条件，若符合，yueshu=1；
end
end
end
for n=1:generation
%计算适应度
[row col]=size(x);
for i=1:row
fitness(i)=(x(i,1)+x(i,2)+x(i,3)+x(i,5)+x(i,6)+x(i,7)+x(i,8))/20;
end
%轮盘赌选择
zong=sum(fitness);
xt=x;
for i=1:row
temp=rand(1);
for j=1:row
if temp< fitness(j)/zong
break;
end
end
x(i,:)=xt(j,:);
end
%两个个体交叉变异
x2=x;
[row col]=size(x);
for i=1:2:row
temp=rand(1);
if temp<pc
%%%%%%%%%%%%%这里还要自己写个程序判断是否符合约束，不符合一直交叉，直到交叉到符合约束
point=randint(1,1,[1,8]);
x(i,point:8)=x2(i+1,point:8);
x(i+1,1:point)=x2(i,1:point);
end
end
%单个点变异
x3=x;
[row col]=size(x);
for i=1:row
for j=1:8
temp=rand(1);
if(temp<pm)
yueshu=0;
while(yueshu==0) %当约束成立时，不再变异。约束不成立时变异。
if j==1 x(i,1)=randint(1,1,[0,35]);end
if j==2 x(i,2)=randint(1,1,[0,60]);end
if j==3 x(i,3)=randint(1,1,[0,40]);end
if j==4 x(i,4)=randint(1,1,[0,40]);end
if j==5 x(i,5)=randint(1,1,[0,30]);end
if j==6 x(i,6)=randint(1,1,[0,30]);end
if j==7 x(i,7)=randint(1,1,[0,35]);end
if j==8 x(i,8)=randint(1,1,[0,20]);end
%这里自己写程序啊
if
%这里判断约束条件，若符合，yueshu=1；
end
end
end
end
end
end
[row col]=size(x);
for i=1:row
fitness(i)=(x(i,1)+x(i,2)+x(i,3)+x(i,5)+x(i,6)+x(i,7)+x(i,8))/20;
end
maxx=find(fitness==max(fitness));
x(maxx,:)

6. 在matlab中如何用遗传算法求二元目标规划

遗传算法俺不会，用多目标优化也可以求出最优解。
function zFgoalattain
% 多目标最优化
clear all; clc
% 给定目标，权重差租亮按目标比例确定，给出初值
goal = [-0.3 0.9]; % -0.2794 0.9313
weight = [0.1 0.1];
x0 = [0.6 0.6 0.6 0.6 0.6];
% 给出约束条件的系数虚宽
A=[-1 0 -1 0 0;0 -1 0 0 -1]
B=[-0.4; -0.4]
Aeq = [1 1 1 1 1]
Beq = [1]
lb = ones(1,5)*0.05
ub = ones(1,5)
% 求解
[x,fval,attainfactor,exitflag] = fgoalattain(@ObjFun,x0,goal,weight,A,B,Aeq,Beq,lb,ub)
% ------------------------------------------------------------------
function f = ObjFun(x)
f1 = -(0.371*x(1)+0.274*x(2)+0.581*x(3)+0.164*x(4)+0.327*x(5));
f2 = 1.1828*x(1)+0.8415*x(2)+0.9324*x(3)+0.8474*x(4)+0.894*x(5);
f=[f1;f2];

运行结果型举：
x =

0.0500 0.5000 0.3500 0.0500 0.0500

fval =

-0.3834
0.8933

attainfactor =

-0.0670

exitflag =

4

7. 线性规划和遗传算法哪个好学

线性规划好毁租学。线性规划简单，遗传算法解纤键兆决多目标问题，有多个目标函数，而线性规划只有一个。标准的遗传算法存在局部搜索能力差和早熟等亮稿缺陷，不能保证算法收敛。经典的非线性规划算法大多采用梯度下降的方法求解，局部搜索能力强。

8. matlab的遗传算法求解0-1整数规划的程序

x = intlinprog(f,intcon,A,b,Aeq,beq)就可以了毁梁
用法团余培举例：塌唯
Write the objective function vector and vector of integervariables.
f = [-3;-2;-1];
intcon = 3;
Write the linear inequality constraints.
A = [1,1,1];
b = 7;
Write the linear equality constraints.
Aeq = [4,2,1];
beq = 12;
Write the bound constraints.
lb = zeros(3,1);
ub = [Inf;Inf;1]; % Enforces x(3) is binary
Call intlinprog.
x = intlinprog(f,intcon,A,b,Aeq,beq,lb,ub)

9. 遗传算法和遗传规划的区别是什么

遗传算法是以基因型为目标，如一串01字符组成。遗传规划是以一段程序为目标，如一个树形结构，表达的是一个公式，用于拟合目标函数，实例比如天气与食物产量卜顷的关系曲线，曲线就是要型察陆计算的函数，拟合的适合度就是算曲线与实际采样没空中的方差。浅薄理解不一定很准确。其余操作如交叉，变异等两者相似。

10. 遗传算法1——ga与fmincon求解非线性规划模型的对比

题目：

一、ga求解模型

[x,fval]=ga(@fitnessfun,nvars,A,b,Aeq,beq,lb,ub,@nonlcon,options)

二、fmincon求解模型

x = fmincon(@fitnessfun,x0,A,b,Aeq,beq,lb,ub,@nonlcon,options)

ga函数中包含nvars（适应度函数的独立变量个数），而 fmincon 函数 中需要变量初值x0，这是二者的不同之处。

三、结果对比

总之，遗传算法适用于求解非标准算法无法求解的问题，即目标函数不连续、不可微、随机或高度非线性的问题。 当然， 用 遗传 算法去求解相 对简单的问题 有助于 理解 其具体原理，相对于研究复杂问题，较简单的问题同样可以用于学习遗传算法。