遗传算法可以解决任意类型约束条件下的光滑或非光滑优化问题,包括整数约束。它是一种随机的、基于种群的算法,通过种群成员之间的突变和交叉进行随机搜索。
优化 | 在实时编辑器中优化或解决方程 |
基于问题的方法用多个最小值最小化一个函数的基本示例。
求解具有非线性约束和边界的非线性问题遗传算法
在基于问题的方法中。
示例显示如何在遗传算法中使用基于问题的混合整数编程,包括如何从有限值列表中进行选择。
要在某些上下文中设置选项,请将基于问题的变量映射为基于求解器的使用varindex
.
给出了一个用遗传算法求解优化问题的实例。
演示如何编写包含额外参数或向量化的适应度函数。
演示如何在问题中包含约束。
展示如何选择输入选项和输出参数。
示例显示了几个选项的效果。
这个例子展示了如何设置初始范围可以获得更好的解决方案。
的MaxGenerations
选项决定了遗传算法所需要的最大代数;参见算法停止条件。
展示了种群多样性的重要性,以及如何设置它。
描述适应度缩放,以及它如何影响的进度遗传算法
.
显示了突变和交叉参数在遗传算法
.
演示如何使用混合函数来改进解决方案。
描述混合函数可能提供更高精度或速度的情况。
显示如何继续优化遗传算法
从最终的总体中。
展示如何通过重置随机种子来重现结果。
提供一个运行示例遗传算法
使用一组参数来搜索最有效的设置。
如何使用向量化函数计算来获得速度。
中创建和使用自定义绘图函数遗传算法
.
这个例子展示了自定义输出函数在遗传算法
.
使用自定义数据类型解决旅行推销员问题。
优化由ODE的解给出的目标patternsearch
或遗传算法
串行或并行的。
介绍遗传算法。
解释遗传算法的一些基本术语。
介绍遗传算法如何工作的概述。
介绍了增广拉格朗日遗传算法(ALGA)和惩罚算法。
探索遗传算法的选项。