设置的界限问题

磅=(5 *π,-20 *π);乌兰巴托=(20 *π,4 *π);

设置一块函数你可以查看ga的进步

选择= optimoptions (“遗传算法”,“PlotFcn”,@gaplotbestf);

把遗传算法解算器x(1)整数值

rng (1,“旋风”)%的再现性intcon = 1;[x, fval exitflag] = ga (@rastriginsfcn 2 []、[] [], [],…磅,乌兰巴托,[],intcon选择)

优化终止:点球健身价值低于平均变化的选择。FunctionTolerance和约束违反小于options.ConstraintTolerance。

x =1×216.0000 - -12.9325

fval = 424.1355

exitflag = 1

ga收敛迅速的解决方案。

1. 写表达式规范(x) = 4两个“小于零”不平等:

   规范(x) - 4≤0 (规范(x) - 4)≤0。

   (1)

2. 允许一个小公差的不平等:

   规范(x) - 4 -托尔≤0 (规范(x) - 4) -托尔≤0。

   (2)

3. 编写一个非线性不等式约束函数实现这些不平等:

   函数测查[c] = eqCon测查(x) = [];rad = 4;托尔= 1 e - 3;confcnval =规范(x) - rad;c = [confcnval -托尔;-confcnval -托尔);

4. 设置选项:

   • MaxStallGenerations = 50——允许解算器尝试一段时间。

   • FunctionTolerance = 1平台以及——指定一个比平时更加严格的停止准则。

   • MaxGenerations = 300代——允许超过违约。

   • PlotFcn = @gaplotbestfun——观察优化。

   选择= optimoptions (“遗传算法”,“MaxStallGenerations”,50岁,“FunctionTolerance”1平台以及…“MaxGenerations”,300,“PlotFcn”,@gaplotbestfun);

5. 上下边界建立,以帮助解决:

   据nVar = 5;磅= 5 * 1(1,据nVar);乌兰巴托= 5 * 1(1,据nVar);

6. 解决问题:

   rng (0,“旋风”)%的再现性[x, fval exitflag] = ga(据nVar @ackleyfcn, [], [], [], [],…磅,乌兰巴托,@eqCon[1 3 5],选择);

   优化终止:平均改变在的点球健身价值少比options.FunctionTolerance和约束违反是少比options.ConstraintTolerance。

   

7. 检查解决方案:

   x fval exitflag、规范(x) x = 0 -1.7367 -3.0000 -0.0000 -2.0000 fval = 5.2303 exitflag = 1 ans = 4.0020

   奇怪的x组件是整数,如指定。的规范x是4在给定的相对宽容1 e - 3。

8. 尽管积极的退出旗,不是全局最优的解决方案。再次运行问题并研究解决方案:

   选择= optimoptions (“遗传算法”选择,“显示”,“关闭”);(x2, fval2, exitflag2) = ga(据nVar @ackleyfcn, [], [], [], [],…磅,乌兰巴托,@eqCon[1 3 5],选择);

   

   检查第二个解决方案:

   x2, fval2 exitflag2,规范(x2)

   x2 = -2.0000 -1.9095 2.8930 0 0 fval2 ans = 4.0020 = 4.5520 exitflag2 = 0

   第二运行提供了更好的解决方案(低适应度函数值)。再一次,奇怪x组件是整数,和正常的x2是4在给定的相对宽容1 e - 3。