本文将介绍MATLAB遗传算法工具箱求解非线性规划问题。在阅读本文之前,建议读者阅读上一期“MATLAB遗传算法工具箱求解线性规划问题”。文章传送门:https://blog.csdn.net/weixin_45012973/article/details/107282323
一、引例
上一期介绍了遗传算法求解线性规划的问题。我们来看看下面这个例子,能否用上次讲的方法解决。
上述例子,第二个约束条件含有二次项,并不是线性的,用上次的方法好像无法直接解决。下面我们就来介绍一下非线性规划的遗传算法的实现。
二、非线性规划的标准形式
2.1 非线性规划的标准形式
和线性规划一样,在调用遗传算法工具箱之前,也得学习一下非线性规划的标准形式。因为,调用工具箱需要我们将非标准形式的模型转化为标准形式。
其中,是目标函数,线性或者非线性都可以。式[1]、式[2]、式[5]同线性规划,为相应维数的矩阵和向量。式[3]表示非线性的不等式约束,式[4]是非线性等式约束。和为非线性向量函数(这里可能不好理解,下面结合一个例子解释)
2.2 非线性规划的例子
例如以下模型
可以看出,这个模型没有线性约束,式[1]、式[2]、式[3]、式[4]均为非线性的。其中,式[1]、式[2]是非线性不等式约束,式[3]、式[4]是等式约束。对于非标准的非线性规划模型,我们先得化为标准的模型,转化方式和线性规划相同,采用添负号或者乘-1的方式。
1) 将不等式约束(式[1]、[2])转化为 的形式(注意,小于号右边为0,常数需移到左边,这是和线性约束不一样的地方)
注意到这里的 应是一个向量函数,本模型中有两个不等式约束,函数 的返回值应该是两个数。(看不懂没关系,编程时会具体讲解如何编写)
2) 将等式约束(式[3]、[4])转化为的形式(注意,等号右边为0,常数需要移到左边,这是和线性约束不一样的地方)
注意到这里的 应是一个向量函数,本模型中有两个等式约束,函数 的返回值应该式是两个数。(看不懂没关系,编程时会具体讲解如何编写)
三、使用遗传算法工具箱对模型进行求解
MATLAB提供的遗传算法工具箱,主要分为两个函数:gaoptimset()函数和ga()函数,gaoptimset()函数是用于设置遗传算法的一些参数的,可以不设置。若不设置,就使用默认参数。ga()函数是调用遗传算法对优化问题进行计算。
3.1 设置遗传算法的一些参数——gaoptimset()函数的使用
调用格式为: options = gaoptimset(‘Param1’, value1, ‘Param2’, value2, …);
其中,’Param1’、’Param2’等是需要设定的参数,比如:种群规模、交叉比例等。value1、value2等则是Param的具体值。常用的参数名如下表(只列出了常用的,还有很多参数可以调整,可自行上网搜索):
设定的参数名(Param名) | 说明 | 默认值 |
CrossoverFraction | 交叉比例 | 0.8 |
Generations | 算法中止的最大迭代次数 | 100 |
PopulationSize | 种群规模 | 20 |
MigrationFraction | 变异概率 | 0.2 |
FitnessLimit | 当适应度函数达到设定的值时算法中止 | – |
StallGenLimit | 当超过StallGenLimit代适应度函数为改善时,算法中止 | 50 |
例如,需要设置交叉比例为0.7、迭代次数为300、种群规模为30,代码写作
options = gaoptimset('CrossoverFraction', 0.7, 'Generations', 300, 'PopulationSize', 30);
返回的options是结构体,用于ga函数的最后一个参数
3.2 开始遗传算法的计算——ga()函数的使用
ga函数的调用格式为:
[x_best,fval] = ga(fun, nvars, A, b, Aeq, beq, lb, ub, nonlcon, options);
参数名 |
fun | nvars | A | b | Aeq | beq | lb | ub | nonlcon | options |
含义 | 目标函数句柄 | 自变量个数 |
线性不等式约束 (以矩阵形式表示,下同) |
线性等式约束 | 自变量的定义域 | 非线性约束函数句柄 | 上一步gaoptimset函数返回的结构体 | |||
备注 | 如果某个参数不需要,就设置为空矩阵[] |
返回值x_best为取到最小值时的自变量x的取值,fval为所求的最小值。
四、非线性规划模型的实例
4.1 还是前面出现的模型
1) 编写适应度函数(即目标函数)
目标函数的编写就不多说了,和之前线性规划的编写方法相同
function f = fitnessfun(x)
f = x(1)^2 + x(2)^2 + x(3)^3 + 8;
end
2) 编写非线性约束函数
根据式[1]、[2],非线性不等式约束的函数为: ,
根据式[3]、[4],等式约束的函数为:
非线性约束函数和需要在MATLAB中编写为如下格式(写在一个function里)
function [c, ceq] = 函数名(x)
参数和返回值解释:
x即为自变量的值,为行向量。c即不等式约束的函数值,是列向量(可以存在多个约束)。ceq即等式约束函数的函数值,同样是列向量(可以存在多个约束)
也就是本题返回值要写成这样的形式(这样看的更直观一些):
因此,这题的function应定义为
function [c,ceq] = nonlconfun(x)
% 入口参数 x:为自变量的行向量
% 出口参数 c:非线性不等式约束的函数值。由于本题有两个不等式约束
% 因此c(1,1)为第一个不等式约束函数值,c(2,1)为第二个不等式约束函数值
% ceq:非线性等式约束的函数值,由于本题有两个等式约束,同c一样
% ceq(1,1)为第一个等式约束函数值,ceq(2,1)为第二个等式约束函数值
c(1,1) = -x(1)^2 + x(2) - x(3)^3;
c(2,1) = x(1) + x(2)^2 + x(3)^3 - 20;
ceq(1,1) = -x(1) - x(2)^2 + 2;
ceq(2,1) = x(2) + 2*x(3)^2 - 3;
end
3) 设置遗传算法工具箱的相关参数
(如不知道相关参数如何配置,可参见上一期遗传算法工具箱求解线性规划的博客)
这里我们设置种群规模300,迭代次数为800,返回值为options.
options = gaoptimset('PopulationSize', 300, 'Generations', 800);
4) 调用ga工具箱
我们知道,ga工具箱的调用格式为:
[x_best,fval] = ga(fun, nvars, A, b, Aeq, beq, lb, ub, nonlcon, options);
由于本题没有线性约束,因此参数A、b、Aeq、beq都可以设置为空。
对自变量x的约束为:,因此,,而ub可以不设置
因此,这部分代码为
options = gaoptimset('PopulationSize', 300, 'Generations', 800); % 遗传算法相关配置
fun = @fitnessfun; % 设置适应度函数句柄
nonlcon = @nonlconfun; % 设置非线性约束函数句柄
nvars = 3; % 自变量个数
A = []; b = [];
Aeq = []; beq = [];
lb = [0;0;0]; ub = [];
[x_best, fval] = ga(fun, nvars, A, b, Aeq, beq, lb, ub, nonlcon, options);
完整的代码为:
clear;
clc
options = gaoptimset('PopulationSize',200, 'Generations', 600); % 遗传算法相关配置
fun = @fitnessfun; % 设置适应度函数句柄
nonlcon = @nonlconfun; % 设置非线性约束函数句柄
nvars = 3; % 自变量个数
A = []; b = [];
Aeq = []; beq = [];
lb = [0;0;0]; ub = [];
[x_best, fval] = ga(fun, nvars, A,b,Aeq,beq,lb,ub,nonlcon,options);
function [c,ceq] = nonlconfun(x)
c(1,1) = -x(1)^2 + x(2) - x(3)^3;
c(2,1) = x(1) + x(2)^2 + x(3)^3 - 20;
ceq(1,1) = -x(1) - x(2)^2 + 2;
ceq(2,1) = x(2) + 2*x(3)^2 - 3;
end
function f = fitnessfun(x)
f = x(1)^2 + x(2)^2 + x(3)^3 + 8;
end
运行结果为
fval的值为10.9886即为所求,此时x_best的值为[0.9917 1.0041 0.9988].
因此当时,函数取到最小值10.9886
(遗传算法具有一定随机性,每次的运行结果有差别,建议多运行几遍程序,找一个最好的结果)
4.2 求下列问题的解
1) 编写目标函数
function f = fitnessfun(x)
f = -2 * x(1) - 3 * x(1)^2 - 3 * x(2) - x(2)^2 - x(3);
end
2)编写非线性约束函数
式[1]、[2]、[3]为非线性不等式约束,式[4]为非线性等式约束,因此
,
使用MATLAB编写为:
function [c,ceq] = nonlconfun(x)
% 入口参数 x:为自变量的行向量
% 出口参数 c:非线性不等式约束的函数值。由于本题有多个不等式约束,以列向量的形式返回即可
% ceq:非线性等式约束的函数值。
c(1,1) = x(1) + 2 * x(1)^2 + x(2) + 2 * x(2)^2 + x(3) - 10;
c(2,1) = x(1) + x(1)^2 + x(2) + x(2)^2 - x(3) - 50;
c(3,1) = 2 * x(1) + x(1)^2 + 2 * x(2) + x(3) - 40;
ceq = x(1)^2 + x(3) - 2;
end
3)调用ga函数
(这里就不调用gaoptimset函数配置遗传算法的参数了,直接使用默认参数)
式[5]、[6]为线性不等式约束,标准形式为
可转化为: ,因此:
本题没有线性等式约束,也没有自变量约束,因此Aeq、beq、lb、ub均设置为空矩阵。写好ga所需的入口参数,即可调用ga函数,调用方式如下:
fun = @fitnessfun; % 设置适应度函数句柄,(在函数名前加@即可)
nonlcon = @nonlconfun; % 设置非线性约束函数句柄
nvars = 3; % 自变量个数
A = [-1,-2,0;-1,0,0]; b = [-1;0]; % 线性不等式约束
Aeq = []; beq = []; % 线性等式约束
lb = []; ub = []; % 自变量定义域
[x_best, fval] = ga(fun, nvars, A, b, Aeq, beq, lb, ub, nonlcon, []);
整体程序为:
clear;
clc
fun = @fitnessfun; % 设置适应度函数句柄,(在函数名前加@即可)
nonlcon = @nonlconfun; % 设置非线性约束函数句柄
nvars = 3; % 自变量个数
A = [-1,-2,0;-1,0,0]; b = [-1;0]; % 线性不等式约束
Aeq = []; beq = []; % 线性等式约束
lb = []; ub = []; % 自变量定义域
[x_best, fval] = ga(fun, nvars, A,b,Aeq,beq,lb,ub,nonlcon,[]);
function [c,ceq] = nonlconfun(x)
c(1,1) = x(1) + 2 * x(1)^2 + x(2) + 2 * x(2)^2 + x(3) - 10;
c(2,1) = x(1) + x(1)^2 + x(2) + x(2)^2 - x(3) - 50;
c(3,1) = 2 * x(1) + x(1)^2 + 2 * x(2) + x(3) - 40;
ceq = x(1)^2 + x(3) - 2;
end
function f = fitnessfun(x)
f = -2 * x(1) - 3 * x(1)^2 - 3 * x(2) - x(2)^2 - x(3);
end
运行程序后,得到运行结果:fval的值为 -15.2409.由于我们在标准化模型时,将目标函数添加了一个负号,因此原函数的最大值约为15.2409.
(遗传算法具有一定随机性,每次的运行结果有差别,建议多运行几遍程序,找一个最好的结果)
遗传算法工具箱求解非线性规划的内容就介绍到这里,看完这些,相信你也能解决文章开始的引例了!
今天的文章MATLAB遗传算法工具箱的使用及实例(非线性规划)分享到此就结束了,感谢您的阅读,如果确实帮到您,您可以动动手指转发给其他人。
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。
如需转载请保留出处:https://bianchenghao.cn/33021.html