遗传算法(三):算法的调试

技术凯 2020-12-27 09:06:27 5763

  编写完基本的代码流程后,本节我们进行代码的调试,并分析在不同参数下的结果分析比对。

五、解决过程
5.1 main function:



5.2算法复杂度分析:

  以lastmax(N = 1000; N_chrom = 2;iter = 2000;mut = 0.05; acr = 0.8; best = 1;)为例,采用代码运行时间和函数调用次数模糊反应算法复杂度:

六、实验结果
6.1实际函数

F使用matlab直接求区间最值得到:


6.2通过meshgrid绘图得到函数最值:

实际函数图像(蓝色高亮显示为最大值)

6.3 改变参数对比实验结果

参数:

  • N(种群个体数目);
  • N chrom(染色体节点数);
  • iter(迭代次数);
  • mut(变异概率);
  • acr(交叉概率)
    (1)N = 100; N_chrom = 2;iter = 2000;mut = 0.05; acr = 0.8; best = 1;


    (2)N = 1000; N_chrom = 2;iter = 2000;mut = 0.05; acr = 0.8; best = 1;
      初始种群个数至1000反倒收敛速度减慢,通过实验对比初始种群数量为15左右时候收敛速度最快。


    (3)N = 100; N_chrom = 2;iter = 200;mut = 0.05; acr = 0.8; best = 1;
      缩减迭代次数至200,仍然可以收敛到期望的最值。通过实验发现大约迭代次数少于50次时,开始有一定概率无法收敛到期望的最值。


    (4)N = 100; N_chrom = 2;iter = 2000;mut = 0.5; acr = 0.8; best = 1;
      增大变异概率,可通过图像看出迭代运算时,平均适应度抖动很厉害,
    说明变异概率对算法稳定度的影响,即变异概率越大,适应度毛刺越多。收敛过程越不线性。


    (5)N = 100; N_chrom = 2;iter = 2000;mut = 0.05; acr = 0.2; best = 1;
      缩小交叉概率可以通过图像发发现,与变异概率0.8并没有很大区别。


      到这里使用遗传算法来解决实际函数优化问题就全部讲解结束了。如果有什么问题欢迎在评论区提问交流。
声明:本文内容由易百纳平台入驻作者撰写,文章观点仅代表作者本人,不代表易百纳立场。如有内容侵权或者其他问题,请联系本站进行删除。
红包 84 9 评论 打赏
评论
0个
内容存在敏感词
手气红包
    易百纳技术社区暂无数据
相关专栏
置顶时间设置
结束时间
删除原因
  • 广告/SPAM
  • 恶意灌水
  • 违规内容
  • 文不对题
  • 重复发帖
打赏作者
易百纳技术社区
技术凯
您的支持将鼓励我继续创作!
打赏金额:
¥1易百纳技术社区
¥5易百纳技术社区
¥10易百纳技术社区
¥50易百纳技术社区
¥100易百纳技术社区
支付方式:
微信支付
支付宝支付
易百纳技术社区微信支付
易百纳技术社区
打赏成功!

感谢您的打赏,如若您也想被打赏,可前往 发表专栏 哦~

举报反馈

举报类型

  • 内容涉黄/赌/毒
  • 内容侵权/抄袭
  • 政治相关
  • 涉嫌广告
  • 侮辱谩骂
  • 其他

详细说明

审核成功

发布时间设置
发布时间:
是否关联周任务-专栏模块

审核失败

失败原因
备注
拼手气红包 红包规则
祝福语
恭喜发财,大吉大利!
红包金额
红包最小金额不能低于5元
红包数量
红包数量范围10~50个
余额支付
当前余额:
可前往问答、专栏板块获取收益 去获取
取 消 确 定

小包子的红包

恭喜发财,大吉大利

已领取20/40,共1.6元 红包规则

    易百纳技术社区