遗传算法求解具有任意类型约束条件(包括整数约束条件)的光滑或非光滑优化问题。它是一种基于群体的随机算法,通过群体成员之间的变异和交叉进行随机搜索。
优化 | 在实时编辑器中优化或求解方程 |
在基于问题的方法中用多个最小值最小化一个函数的基本例子。
用非线性约束和边界解决一个非线性问题遗传算法
在基于问题的方法中。
演示了如何在遗传算法中使用基于问题的混合整数规划,包括如何从有限的值列表中选择。
要在某些上下文中设置选项,请将基于问题的变量映射到基于求解器的使用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。
演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以获得更好的解决方案。
的MaxGenerations
选项决定遗传算法需要的最大代数;参见算法的停止条件。
说明了人口多样性的重要性,以及如何设置它。
描述健身缩放,以及它如何影响进度遗传算法
.
中变异和交叉参数的影响遗传算法
.
演示了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。
演示如何继续优化遗传算法
从最后的人口。
演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获得速度。
中创建和使用自定义绘图函数遗传算法
.
中的自定义输出函数的用法遗传算法
.
使用自定义数据类型解决旅行推销员问题。
优化一个目标给出的解决方案的ODE使用patternsearch
或遗传算法
串行的或平行的
介绍遗传算法。
解释遗传算法的一些基本术语。
介绍遗传算法的工作原理。
解释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。