变异变异和交叉- MATLAB & Simulink - MathWorks 金宝appDeutschland - 金宝app,下载188bet金宝搏,金宝搏官方网站

变异和交叉

设定突变量

遗传算法使用MutationFcn选择。默认的突变选项，@mutationgaussian，添加一个随机数，或突变，从高斯分布中选择，到父向量的每个条目。通常，变异量与分布的标准偏差成正比，在每一个新世代都会减少。您可以通过以下方式控制算法在每一代中应用于父代的平均变异量：规模和收缩单元格数组中包含的输入:

选项=最佳选项(“嘎”，．．．“突变FCN”，{@mutationgaussian Scale Shrink}）；

规模和收缩是具有默认值的标量1每一个。

规模控制第一代突变的标准偏差。此值为规模乘以初始总体的范围，该范围由InitialPopulationRange选择。
收缩控制平均变异量减少的速度。标准差线性减小，最终值为1 -收缩乘以第一代的初始值。例如,如果收缩具有默认值1，则突变量在最后一步降至0。

通过选择plot函数，可以看到突变的效果@间隙距离和@gaplotrange，然后在一个问题上运行遗传算法，如在最小化Rastrigin函数. 下图显示了设置随机数生成器后的绘图。

rng默认的%为了再现性选项=最佳选项(“嘎”，“PlotFcn”{@gaplotdistance, @gaplotrange},．．．“超级世代”, 200);才能跑得更远[x，fval]=ga（@rastriginsfcn，2，[]，[]，[]，[]，[]，[]，[]，[]，[]，[]选项）；

上图显示了每一代中各点之间的平均距离。随着突变数量的减少，个体之间的平均距离也随之减少，在最后一代时约为0。下图显示了每一代的垂直线，显示了从最小适应值到最大适应值的范围，以及l为平均适应值。随着突变数量的减少，范围也随之减少。这些图表明，突变数量的减少会降低后代的多样性。

为便于比较，下图显示了您设置时相同的图收缩来0．5．

选项=最佳选项(“嘎”选项,．．．“突变FCN”，{@mutationgaussian，1，.5}）；[x，fval]=ga（@rastriginsfcn，2，[]，[]，[]，[]，[]，[]，[]，[]，[]，[]选项）；

这一次，变异的平均数量在最后一代中减少了1/2。因此，个体之间的平均距离比以前减少得更少。

设置交叉分数

的CrossoverFraction选项指定除精英儿童外，由跨界儿童组成的每个人口的比例。的交叉分数1意味着除精英个体外的所有孩子都是跨界儿童，而跨界比例为0意味着所有子项都是突变子项。下面的示例表明，这两个极端都不是优化函数的有效策略。

该示例使用适应度函数，该函数在某一点的值是各点坐标绝对值的和。也就是说,

$f （ x_{1} ， x_{2} ，．．．， x_{n} ）＝ | x_{1} | + | x_{2} | + \dots + | x_{n} | ．$

通过将适应度函数设置为，可以将此函数定义为匿名函数

@（x） 总额（绝对值（x））

运行默认值为的示例0．8随着CrossoverFraction选择。

fun=@（x）和（abs（x））；nvar=10；选项=最佳选项(“嘎”，．．．“InitialPopulationRange”,[-1;1],．．．“PlotFcn”, {@gaplotbestf, @gaplotdistance});rng(14日“旋风”）%为了再现性[x, fval] = ga(有趣,据nvar ,[],[],[],[],[],[],[], 选项)

优化终止：适应值的平均变化小于options.FunctionTolerance。x=-0.0020-0.0134-0.0067-0.0028-0.0241-0.0118-0.0021-0.0113-0.0021-0.0036 fval=0.0799

交叉,变异

要查看没有变异时遗传算法的执行情况，请设置CrossoverFraction选项1然后重新运行解算器。

选项。CrossoverFraction = 1;[x, fval] = ga(有趣,据nvar ,[],[],[],[],[],[],[], 选项)

X = -0.0275 -0.0043 0.0372 -0.0118 -0.0377 -0.0444 -0.0258 -0.0520

优化结束：平均改变在里面的健身价值较少的比options.FunctionTolerance。x=0.40140.0538 0.7824 0.1930 0.0513-0.4801 0.9988-0.0059 0.0875 0.0302 fval=3.0843

在这种情况下，算法从初始种群中的个体中选择基因，并将它们重组。算法不能创造任何新的基因，因为没有突变。该算法在第8代生成它可以使用这些基因的最佳个体，在第8代，最佳适应度图成为水平。在此之后，它创造出最佳个体的新副本，然后将其选择为下一代。到第17代，种群中的所有个体都是相同的，即最佳个体。当这种情况发生时，个体之间的平均距离是0。由于算法在第8代之后不能提高最优适应度值，所以在50代之后停止，因为摊位代设置为50．

无交叉变异

要查看遗传算法在没有交叉时的执行情况，请设置CrossoverFraction选项0．

选项。CrossoverFraction = 0;[x, fval] = ga(有趣,据nvar ,[],[],[],[],[],[],[], 选项)

在这种情况下，算法应用的随机变化永远不会改善第一代最佳个体的适应值。虽然它改善了其他个体的单个基因，正如你在上图中通过适应度函数平均值的降低所看到的，这些改进的基因永远不会与最佳个体的基因结合，因为没有交叉。因此，最佳适应度图是水平的，算法在第50代暂停。

比较不同交叉分数的结果

榜样决定论研究将遗传算法应用于拉斯特里金函数的结果与应用于拉斯特里金函数的结果进行比较CrossoverFraction选项设置为0，．2，．4，．6，．8和1．该示例运行了10代。在每一代中，该示例绘制出前几代的最佳适应度值的均值和标准差CrossoverFraction选择。

要运行该示例，请输入