非线性整数规划的遗传算法 Matlab 程序（附图） 通常，非线性整数规划是一个具有指数复杂度的 NP 问题，假如约束较为复杂，Matlab 优化工具箱和一些优化软件比如 lingo 等，常常无法应用，即使能 应用也不能给出一个较为令人满意的解。这时就需要针对问题设计专门的优化算法。下面举一个遗传算法应用于非线性整数规划的编程实例，供大家参考！ 模型的形式和适应度函数定义如下： 这是一个具有 200 个 01 决策变量的多目标非线性整数规划，编写优化的目标函数如下，其中将多目标转化为单目标采纳简单的加权处理。function Fitness=FITNESS(x,FARM,e,q,w)%% 适应度函数% 输入参数列表% x 决策变量构成的 4×50 的 0-1 矩阵% FARM 细胞结构存储的当前种群，它包含了个体 x% e 4×50 的系数矩阵% q 4×50 的系数矩阵% w 1×50 的系数矩阵%%gamma=0.98;N=length(FARM);%种群规模F1=zeros(1,N);F2=zeros(1,N);for i=1:N xx=FARM{i}; ppp=(1-xx)+(1-q).*xx; F1(i)=sum(w.*prod(ppp)); F2(i)=sum(sum(e.*xx));endppp=(1-x)+(1-q).*x;f1=sum(w.*prod(ppp));f2=sum(sum(e.*x));Fitness=gamma*sum(min([sign(f1-F1);zeros(1,N)]))+(1-gamma)*sum(min([sign(f2-F2);zeros(1,N)])); 针对问题设计的遗传算法如下，其中对模型约束的处理是重点考虑的地方function [Xp,LC1,LC2,LC3,LC4]=MYGA(M,N,Pm)%% 求解 01 整数规划的遗传算法%% 输入参数列表% M 遗传进化迭代次数% N 种群规模% Pm 变异概率%% 输出参数列表% Xp 最优个体% LC1 子目标 1 的收敛曲线% LC2 子目标 2 的收敛曲线% LC3 平均适应度函数的收敛曲线% LC4 最优适应度函数的收敛曲线%% 参考调用格式[Xp,LC1,LC2,LC3,LC4]=MYGA(50,40,0.3)%% 第一步：载入数据和变量初始化load eqw;%载入三个系数矩阵 e,q,w%输出变量初始化Xp=zeros(4,50);LC1=zeros(1,M);LC2=zeros(1,M);LC3=zeros(1,M);LC4=zeros(1,M);Best=inf;%% 第二步：随机产生初始种群farm=cell(1,N);%用于存储种群的细胞结构k=0;while k %以下是一个合法个体的产生过程 x=zeros(4,50);%x 每一列的 1 的个数随机决定 for i=1:50 R=rand; Col=zeros(4,1); if R<0.7 RP=randperm(4);%1 的位置也是随机的 Col(RP(1))=1; elseif R>0.9 RP=randperm(4); Col(RP(1:2))=1; else RP=randperm(4); Col(RP(1:3))=1; end x(:,i)=Col; end %下面是检查行...
