在Matlab中使用遗传算法时如何设置整数约束？(How to set the integer constraints when use the Genetic Algorithm in Matlab?)
如果有人能告诉我如何设置变量的整数约束(即，它们的变量只能是0或1)，我将不胜感激。
x = ga(fitnessfcn,nvars);
It would be much appreciated if anybody can tell me how to set the integer constrain for the variables(i.e., they variables can only be either 0 or 1).
x = ga(fitnessfcn,nvars);
原文：https://stackoverflow.com/questions/37394612
更新时间：2020-02-05 07:53
最满意答案
使用可选的ga函数参数LB (下限)， UB (上限)和IntCon (整数约束)。 您要使用的MATLAB遗传算法函数的签名是：
x = ga(fitnessfcn,nvars,A,b,[],[],LB,UB,nonlcon,IntCon)
例如，您可以使用MATLAB GA来解决10个二进制变量问题，如下所示：
% Number of variables
nVars = 10
% Lower and upper bounds
LB = zeros(1, nVars);
UB = ones(1, nVars);
% Variables with integer constraints (all in this case)
IntCon = 1:nVars;
% Run the GA solver
x = ga(fitnessfcn, nVars, [], [], [], [], LB, UB, [], IntCon);
请注意，线性不等式约束A和b以及非线性约束nonlcon是可选的，如果它们不存在，可以用[]替换。
Use the optional ga function parameters LB (lower bound), UB (upper bound) and IntCon (integer constraints). The signature for the MATLAB genetic algorithm function that you want to use is:
x = ga(fitnessfcn,nvars,A,b,[],[],LB,UB,nonlcon,IntCon)
For example, you could use the MATLAB GA to solve a 10 binary variable problem as follows:
% Number of variables
nVars = 10
% Lower and upper bounds
LB = zeros(1, nVars);
UB = ones(1, nVars);
% Variables with integer constraints (all in this case)
IntCon = 1:nVars;
% Run the GA solver
x = ga(fitnessfcn, nVars, [], [], [], [], LB, UB, [], IntCon);
Notice that the linear inequality constraints A and b, and non-linear constraints nonlcon are optional and can be replaced with [] if they don’t exist.
2016-05-23
相关问答
如果你在谈论标准遗传算法，那么假设你有一群N染色体。 在每一代中，通过调用评估函数来计算每种抗体的适合度。 因此，对于G代，G * N中的函数评估总数。 因此，不是设置功能评估的数量，而是设置代数 G =(期望的功能评估数)/(人口规模) 功能评估的数量通常用于比较而不是代数，因为： 不同的算法每代执行不同数量的功能评估。 例如，免疫系统为每种抗体创建C克隆并评估克隆，因此功能评估的数量为G * N * C 评估函数通常是算法中计算量最大的部分。 If you are talking about
…
当它执行你的函数two_min时，它将传入x的值，并且z在使用之前不会在任何地方定义，因此你的错误。 您可以尝试的一件事是在调用ga之前绑定您的z值： a = 500; %the value that will be used for z
fitness_fun = @(x) two_min(x,a);
n_var = 1;
[x,fval] = ga(fitness_fun,n_var)
请注意，这只会将fitness_fun创建点的a值作为z的值，因此如果稍后再次更改“a”的值，则不会对tw
…
您可以使用绘图功能 。 您可以使用其中一个预定义的绘图函数： options = gaoptimset(‘PlotFcns’,@gaplotbestf);
x= ga(@f,6,[],[],[],[],[],[],[],options)
或者你可以自己写。 例如： function gademo
options= gaoptimset(‘PlotFcns’,@myplot,’PopulationSize’,10);
x= ga(@f,6,[],[],[],[],[],[],[],
…
解决这个问题的常用技术是施加“惩罚”，其中，任何多于三个的染色体都会增加罚分。 例如，如果一个染色体具有五个1，则将两倍添加到染色体适应性评分。 在这种情况下，任何有三个以上1的染色体逐渐从人群中移除，并允许其他(具有三个或更少的1个)个体在群体中维持。 A common technique to solve this problem is to impose a “penalty”, wherein, any chromosome that have more than three 1 have
…
使用可选的ga函数参数LB (下限)， UB (上限)和IntCon (整数约束)。 您要使用的MATLAB遗传算法函数的签名是： x = ga(fitnessfcn,nvars,A,b,[],[],LB,UB,nonlcon,IntCon)
例如，您可以使用MATLAB GA来解决10个二进制变量问题，如下所示： % Number of variables
nVars = 10
% Lower and upper bounds
LB = zeros(1, nVars);
UB = ones(
…
我之前遇到过类似的问题，我希望它和你的问题一样 首先，您需要检查(使用任何测量指标)染色体A是否优于染色体B.这使您可以对人口的染色体进行严格的排序，并能够对您的人口进行排序。 然后，当你产生一个新的染色体(通过突变或交叉)时，你可能会产生一个已经存在于你的人群中的染色体。 请确保不要将其包含在人口列表中。 换句话说，确保您的列表始终包含不同的染色体，并始终从最佳到最差排序！ 注意：我使用的遗传算法通常是这样的(这是最常用的算法，也是最常用的算法)： 创建P不同的染色体并将它们添加到Pop列表中;
…
如果你想为每个人分配不同的随机值，那么将一个repmat作为一个分配就不会有帮助，因为这只会复制相同的东西50次。 你最好只使用一个简单的循环： population=50;
individual=struct(‘genes’,[],’fitness’,0);
for m=1:50
individual(m).genes=rand(1,50)>=0.5;
end
这并不比分配所有这些并且然后循环一样有效 – 在每种情况下，基因数组仅被分配一次。 此外，分配和重新分配50个单元格并不会非常
…
以下是您可以修改的停止条件的完整列表： % default options
options = optimoptions(‘ga’);
% stop criteria
options = optimoptions(options,’MaxGenerations’, MaxGenerationsVal); % number of generations
options = optimoptions(options,’MaxTime’, MaxTimeVal); % time limit
optio
…
这是一个混合整数优化问题，它可以在MATLAB中使用ga来解决。 如文档中所述： ga can solve problems when certain variables are integer-valued. 并非所有变量都是某些变量。 所以你应该在其他整数中至少有一个实变量。 Whit IntCon选项，您可以指定哪些变量是整数，例如IntCon=[1 3]表示您的第一个和第三个变量是整数。 为了避免两个整数变量同时为0 ，我认为你可以添加一些不等式约束。 例如，请看以下示例： 假设我们想要找
…
请参阅InitialPopulation选项中的gaoptimset和gaoptimset 。 您可以初始化2到20范围内的整数序列作为初始总体。 然后你可以使用IntCon。 要么 作为myFitnessfcn的第一个声明 model=round(model);
if model > 20 || model < 2
fitness=1e20;
else
% evaluate the original fitness function
end
这样，输入到您的适应度函数的模型参数总是
…