main_adaptive_sga.asv

多种群的链式智能体遗传算法

function [best_fit]=main_adaptive_sga(pop,n,popsize,chromlength,fun_num,up_range,down_range)
%函数说明
%入口参数：pop         当前处理的种群,
%          n           绝对上限,
%          popsize     种群大小,
%          chromlength 基因位长度,
%          fun_num     函数序列号,
%          up_range    自变量的相对上限,
%          down_range  自变量的相对下限
%出口参数：best_fit    各代最有适应度值的集合
%功能说明：初始种群pop通过遗传交叉变异在给定定义域中寻优，在遗传最大代数dai之前得到最优值就自动退出遗传，
%          判定最优值的标准：前后两代间最优值之间差值连续30次小于 阈值0.00001
%          如果达到遗传最大代数也没有达到退出标准，则强制结束遗传。

% clear;

tic;            %用于记录运行时间

% tol_pop_best_real=zeros(2,50);  %1
% tol_pop_best_real=zeros(20);      %2


% j=1;
% while (j<=50)
cont=0;



% popsize=64; %设置初始参数，群体大小
% chromlength=14; %字符串长度（个体长度），染色体长度

% n=12000;
% n=9000;
pc=0.95; %设置交叉概率
pm=0.08; %设置变异概率
%参数设置结束

% pop=my_sga_initpop(popsize,n); %运行初始化函数，随机产生初始群体
dai=1000;

% dna_best=0;
% dna_best_value=0;
%给最佳染色体及其适应度值赋初值%
pop_best=zeros(2,1);
value_best=-999999;
dai_best=1;
%结束
i=1;
max_fitvalue=0;
% while(mean_fitvalue~=2700)
    fitvalue=my_sga_calfitvalue(pop,fun_num); %计算群体中每个个体的适应度
  old_max_fitvalue=max(fitvalue);
for i=1:dai%1000为迭代次数   
%求出群体中适应值最大的个体及其适应值
[bestindividual,bestfit]=my_sga_best(popsize,pop,fitvalue);
%记录当前代的最优值
best_fit(i)=bestfit;
 %复制
 [newpop,dna_best,dna_best_value]=my_complete3_selection(popsize,pop,fitvalue);
%交叉
[newpop]=my_complete3_crossover(popsize,chromlength,newpop,pc); 
%变异
[newpop]=my_complete3_mutation(popsize,chromlength,newpop,pm,dna_best,up_range);
%计算变异后群体中每个个体的适应度
fitvalue_tem=my_sga_calfitvalue(newpop,fun_num); 
% newpop%%根据变异后的适应度替换最差的个体
[newpop]=my_complete3_care(popsize,newpop,fitvalue_tem,dna_best);
% newpop%计算群体中每个个体的适应度
fitvalue=my_sga_calfitvalue(newpop,fun_num); 
 %求出子代群体最优值
new_max_fitvalue=max(fitvalue);
  
%保存数代遗传之后最好的种群
if bestfit>value_best   
    value_best=bestfit;
    pop_best=bestindividual;
%     value_best_real=best_f;
    dai_best=i;
end
%比较子代与父代最优值
error(i)=abs(new_max_fitvalue-old_max_fitvalue);
if error(i)<=0.00001
   cont=cont+1;
else
   cont=0;
end
  
if cont==30
%     quit_dai(j)=i;
         i
        break; 
else    
% pop_temp=bestindividual;
% value_temp=bestfit;
pop=newpop;
old_max_fitvalue=new_max_fitvalue;

end
% i=i+1;
end

% pop1_range_min(j)=(min(pop(1,:))-1048)/1000;       %第一个实验函数 
% pop1_range_max(j)=(max(pop(1,:))-1048)/1000;
% % 
% pop2_range_min(j)=(min(pop(2,:))-1048)/1000;
% pop2_range_max(j)=(max(pop(2,:))-1048)/1000;

% pop1_range_min(j)=(min(pop(1,:))-3000)/1000;       %第二个实验函数 
% pop1_range_max(j)=(max(pop(1,:))-3000)/1000;
% 
% pop1_range_min(j)=min(pop(1,:))/1000;       %第三个实验函数 
% pop1_range_max(j)=max(pop(1,:))/1000;




% newpop
% newpop;
% pop_best;

% 
% pop_best_real=(pop_best-3200)./100;
% ;%第一个测试函数
% % pop_best_real=(pop_best-1048)./1000;  %第二个测试函数
% % pop_best_real=pop_best/1000;  %第三个测试函数
% 
% 
% % pop_best=dec2bin(pop_best,9);
% value_best;
% dai_best;

% 
% tol_pop_best_real(:,j)=pop_best_real;
% tol_value_best(j)=200-value_best;
% % tol_value_best(j)=-value_best;
% % tol_value_best_real(j)=value_best_real;
% tol_dai_best(j)=dai_best;
% 
% 
% j=j+1;
% end

toc;
%