Matlab 遗传算法的初学者实现

我最近对遗传算法很感兴趣，并试图作为初学者编写一个简单的遗传算法代码来理解它。我取了一个函数

f（x）=x^2

，希望在域

{0,1，….31}

上最小化它。现在我知道最佳值是

31

，但我想用GA实现它，所以我写了一个代码。我想知道（I）我的代码是否接近遗传算法的功能，（ii）如果它是一个优秀的初学者级别的代码，那么在这方面可以做些什么改进，（iii）因为在这个问题中，我知道值应该是

31

，但我的遗传算法何时停止？，（iv）算法是否真的依赖于随机数生成，因此，我只能在第一次迭代中偶然得到解决方案，因此有时可能会产生误导，所以应该检查所有参数。这是我的原始代码（请原谅，这是我第一次尝试）

%最大化函数f（x）=x^2；
%在域[0,31]中使用遗传算法；
%我们将4个初始候选项作为解决方案，仅5位
x=兰特（1,20）；
A=（x现在，我还没有完全理解您的代码，尽管从您对问题的描述和提供的代码的一瞥来看，我认为您需要重新审视GAs的一些基本概念


您的群体不是遗传编码的。您尚未定义基因型（遗传表示）到表型（遗传编码基因型转换为的功能）的遗传转换。下面是一个示例：让我们重新使用您的遗传搜索空间，它被描述为[0；31]范围内的整数.您的基因编码是将基因型（本例中为整数）转换为函数，例如：f（a）=ax^2-a
当你的适应度函数返回一个可以解释为适应度的值时，它不是一个合法的适应度函数，因为你的适应度函数的输入不是一个函数。例如，当重复使用上面的遗传编码时，是一个适当的适应度函数，f（a）之间的均方误差的计算对于[0；10]之间的x，x^3+x^2
GAs的另一个基本概念是突变一个基因型或跨越两个基因型的定义方式。突变GA的一个例子是在-5和5之间添加一个随机值。跨越两个基因型的一个例子是两者的平均值
遗传算法通常是一种基于群体的优化方法，因此你必须定义多个基因型，比较它们的适合度，有选择地繁殖（变异和交叉）适合的基因型，并在每个基因创造中去除低性能的基因型
回答你的两个具体问题：遗传算法和它的基因型搜索空间一样是无限的。因为在你的例子中基因型搜索空间是有限的，所以遗传算法在搜索空间耗尽时会停止。遗传算法在很大程度上也是基于随机性的。因此，可以在第一代中找到最佳解决方案

如果你想了解一些关于神经进化的基本概念（基本上是遗传算法，所有基因型都必须转化为人工神经网络），请点击无耻插件：
现在，我还没有完全理解您的代码，尽管从您对问题的描述和所提供代码的一瞥来看，我认为您需要重新审视GAs的一些基本概念


您的群体不是遗传编码的。您尚未定义基因型（遗传表示）到表型（遗传编码基因型转换为的功能）的遗传转换。下面是一个示例：让我们重新使用您的遗传搜索空间，它被描述为[0；31]范围内的整数.您的基因编码是将基因型（本例中为整数）转换为函数，例如：f（a）=ax^2-a
当你的适应度函数返回一个可以解释为适应度的值时，它不是一个合法的适应度函数，因为你的适应度函数的输入不是一个函数。例如，当重复使用上面的遗传编码时，是一个适当的适应度函数，f（a）之间的均方误差的计算对于[0；10]之间的x，x^3+x^2
GAs的另一个基本概念是突变一个基因型或跨越两个基因型的定义方式。突变GA的一个例子是在-5和5之间添加一个随机值。跨越两个基因型的一个例子是两者的平均值
遗传算法通常是一种基于群体的优化方法，因此你必须定义多个基因型，比较它们的适合度，有选择地繁殖（变异和交叉）适合的基因型，并在每个基因创造中去除低性能的基因型
回答你的两个具体问题：遗传算法和它的基因型搜索空间一样是无限的。因为在你的例子中基因型搜索空间是有限的，所以遗传算法在搜索空间耗尽时会停止。遗传算法在很大程度上也是基于随机性的。因此，可以在第一代中找到最佳解决方案

如果你想了解一些关于神经进化的基本概念（基本上是遗传算法，所有基因型都必须转化为人工神经网络），请点击无耻插件：

%Maximize the function f(x)=x^2;
% Using GA in the domain [0,31];

% We take 4 initial candidates as solutions only 5 bits
x=rand(1,20);
A=(x<0.5);


% Checking for randomness
A=reshape(A,4,[]) ;

B_DEC=bi2de(A,'left-msb');
Y=B_DEC.^2;
%FIT=B_dec./sum(B_dec(:))% Fitness function
for loop=1:3


    [~,index]=sort(Y,'descend');
    B_DEC=B_DEC(index)   ; % Sorting the values
    FIT=B_DEC./sum(B_DEC(:));


    MATING_POOL(1:2)=B_DEC(1,:);
    MATING_POOL(3:4)=B_DEC(2:3,:);
    MATING_POOL=de2bi(MATING_POOL,'left-msb');

    CHOOSE=randi([3,4]);
    C=(rand(1,5)<0.5);
    ind=find(C>0);

    New(1,ind)=MATING_POOL(1,ind);
    ind=find(C<=0);
    New(1,ind)=MATING_POOL(CHOOSE,ind);


    C=(rand(1,5)<0.5)
    ind=find(C>0);

    New(2,ind)=MATING_POOL(CHOOSE,ind);
    ind=find(C<=0);
    New(2,ind)=MATING_POOL(1,ind);


    if mod(CHOOSE,4)==3
        C=(rand(1,5)<0.5);
        ind=find(C>0);

        New(3,ind)=MATING_POOL(2,ind);
        ind=find(C<=0);
        New(3,ind)=MATING_POOL(4,ind);


        C=(rand(1,5)<0.5);
        ind=find(C>0);

        New(4,ind)=MATING_POOL(4,ind);
        ind=find(C<=0);
        New(4,ind)=MATING_POOL(2,ind);

    else
        C=(rand(1,5)<0.5);
        ind=find(C>0);

        New(3,ind)=MATING_POOL(2,ind);
        ind=find(C<=0);
        New(3,ind)=MATING_POOL(3,ind);


        C=(rand(1,5)<0.5)
        ind=find(C>0);

        New(4,ind)=MATING_POOL(3,ind);
        ind=find(C<=0);
        New(4,ind)=MATING_POOL(2,ind);
    end

    B_dec=bi2de(New,'left-msb');

    Y=B_DEC.^2;
end