function MultiGA()

%% 運行此程序之前先安裝謝爾菲德遺傳算法工具箱。
%% 遺傳算法求解多目標優化案例
%% 將原多目標函數改寫為f1=(x^2+y^2)/4;f2=x(1-y)+10;
% 運用線性疊加法，F=a*f1(x)+b*f2(x) ?,a+b=1
% 總目標函數改寫為 ?f=0.6*(x^2+y^2)/4+0.4*(x*(1-y)+10); ?
popse=100; ?% 種群數目
maxgen=50; ?% 最大迭代次數
preci=20; ? % 編碼長度
gap=0.95; ? % 代溝大小
px=0.7; ? ? % 交叉概率
pm=0.01; ? ?%變異概率
lbx=1; ? ? ?% 變量下界
lby=1;
ubx=4; ? ? ?% 變量上界
uby=2;
trace=zeros(3,maxgen); ?% 定義尋優結果的初始值
FieldD=[preci preci;lbx lby;ubx uby;1 1;0 0;1 1;1 1]; % 區域描述器
chrom=crtbp(popse,preci*2); ?% 創建隨機種群
% 優化
gen=0;
pop=bs2rv(chrom,FieldD); ? ?% 進制轉換
X=pop(:,1);Y=pop(:,2);
objv=0.15*(X.^2+Y.^2)+0.4*(X.*(1-Y)+10); ?% 目標函數
while gen < maxgen
? ? fitnv=ranking(-objv);
? ? selch=select('sus',chrom,fitnv,gap); ? ?% 選擇 ‘sus’表示為隨機遍歷抽樣
? ? selch=recombin('xovmp',selch,px); ? ? ? % 重組 ?‘xovmp’表示多點交叉
? ? selch=mut(selch,pm);
? ? pop=bs2rv(selch,FieldD); ? ? ? ? ? ? ? ? % 子代個體進行進制轉換
? ? X=pop(:,1);Y=pop(:,2);
? ? objvsel=0.15*(X.^2+Y.^2)+0.4*(X.*(1-Y)+10);
? ? [chrom,objv]=reins(chrom,selch,1,1,objv,objvsel);
? ? pop=bs2rv(chrom,FieldD);
? ? gen=gen+1;
? ? [Y,I]=max(objv);
? ? trace(1:2,gen)=pop(I,:);
? ? trace(3,gen)=Y;
end
%% 畫出求解結果
figure(1)
plot3(trace(1,:),trace(2,:),trace(3,:),'b'); ?% 畫出每代最優點
xlabel('x')
ylabel('y')
zlabel('f')
figure(2)
plot(1:maxgen,trace(3,:)); ?
xlabel('迭代次數')
ylabel('最優解')
bestz=trace(3,end);
bestX=trace(1,end);
bestY=trace(2,end);
fprintf(['最優解：\n X=',num2str(bestX),'\n Y=',num2str(bestY),'\n z=',num2str(bestz)])

總結

以上是生活随笔為你收集整理的简单的多目标遗传算法实现的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。