遗传算法最优解

『壹』 遗传算法的优缺点

优点：

1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。

另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习、数据挖掘等领域。

2、遗传算法直接以目标函数值作为搜索信息。它仅仅使用适应度函数值来度量个体的优良程度，不涉及目标函数值求导求微分的过程。因为在现实中很多目标函数是很难求导的，甚至是不存在导数的，所以这一点也使得遗传算法显示出高度的优越性。

3、遗传算法具有群体搜索的特性。它的搜索过程是从一个具有多个个体的初始群体P(0)开始的，一方面可以有效地避免搜索一些不必搜索的点。

另一方面由于传统的单点搜索方法在对多峰分布的搜索空间进行搜索时很容易陷入局部某个单峰的极值点，而遗传算法的群体搜索特性却可以避免这样的问题，因而可以体现出遗传算法的并行化和较好的全局搜索性。

4、遗传算法基于概率规则，而不是确定性规则。这使得搜索更为灵活，参数对其搜索效果的影响也尽可能的小。

5、遗传算法具有可扩展性，易于与其他技术混合使用。以上几点便是遗传算法作为优化算法所具备的优点。

缺点：

1、遗传算法在进行编码时容易出现不规范不准确的问题。

2、由于单一的遗传算法编码不能全面将优化问题的约束表示出来，因此需要考虑对不可行解采用阈值，进而增加了工作量和求解时间。

3、遗传算法效率通常低于其他传统的优化方法。

4、遗传算法容易出现过早收敛的问题。

(1)遗传算法最优解扩展阅读

遗传算法的机理相对复杂，在Matlab中已经由封装好的工具箱命令，通过调用就能够十分方便的使用遗传算法。

函数ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最优解，fval是最优值，@fitnessness是目标函数，nvars是自变量个数，options是其他属性设置。系统默认求最小值，所以在求最大值时应在写函数文档时加负号。

为了设置options，需要用到下面这个函数：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通过这个函数就能够实现对部分遗传算法的参数的设置。

『贰』 遗传算法求解非线性规划一定是最优解吗

只是局部最优解，不是全局最优解

『叁』 如何用遗传算法实现多变量的最优化问题

将多个变量的数值编码编排进去，进行组合，只需要增长基因个体的长度，但专是要明确每个变属量具体的位置，然后让每个变量转化成二进制的等长编码，组合在一起，就可以来运算了。

『肆』 遗传算法是不是种群规模选取越大，全局最优解越好！

种群规模是指任意一代中的个体总数，这个是人为设定的，种群规模越大越可能找到全局解，但运行时间也相对较长，一般在40-100之间取值，像我就习惯选60.
至于你所处理的问题，可以对比不同的种群规模下最优解和运行时间，然后折衷取。

『伍』 在matlab里面GA遗传算法工具箱中怎么找到多个局部最优解，我现在只能找到全局最优解

这个需要根据参数设置来进行的，参数设置合理就可以得到全局最优解，反之，可能得到局部最优解

『陆』 遗传算法求最优解，及matlab仿真的步骤 要详细步骤！！！

这么复杂的公式，要有数据才能试验编程。不是一下能搞定的。

『柒』 我有一个物理实验，有3个参数，需要找到最优解，我有一个想法是利用遗传算法找最优解。

遗传来算法（Genetic Algorithm）是一类借鉴生物自界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；
具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
它是现代有关智能计算中的关键技术。

『捌』 遗传算法的最优解 在论文中如何验证

适应度越大，解越优。

判断是否已得到近似全局最优解的方法就是遗传算法的终止条件。 在最大迭代次数范围内可以选择下列条件之一作为终止条件：

1. 最大适应度值和平均适应度值变化不大、趋于稳定；

2. 2. 相邻GAP代种群的距离小于可接受值，参考“蒋勇，李宏.改进NSGA—II终止判断准则[J].计算机仿真.2009. Vol.26 No.2”
   

『玖』 用matlab优化工具箱自带的遗传算法（只能找到近似最优解）时，往往重复计算很多次都不能得到最优解

要想得到较精确的最优解，可以通过设定Function tolerance的误差值，Constrainttolerance的误差值。

『拾』 遗传算法怎么判断何时为最优解

适应度越大，解越优。
判断是否已得到近似全局最优解的方法就是遗传算法的终止条件。 在最大迭代次数范围内可以选择下列条件之一作为终止条件：
1. 最大适应度值和平均适应度值变化不大、趋于稳定；
2. 相邻GAP代种群的距离小于可接受值，参考“蒋勇，李宏.改进NSGA—II终止判断准则[J].计算机仿真.2009. Vol.26 No.2”