遗传算法（三）：算法的调试

  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。