基于自适应交叉概率和变异概率遗传算法的地铁车辆使用寿命和璇修次数优化matlab仿真

目录

1.程序功能描述

2.测试软件版本以及运行结果展示

3.核心程序

4.本算法原理

5.完整程序


1.程序功能描述

基于自适应交叉概率和变异概率遗传算法的地铁车辆使用寿命和璇修次数优化。对比传统的遗传优化算法和自适应交叉概率和变异概率遗传算法对地铁车辆使用寿命和璇修次数的优化结果。

2.测试软件版本以及运行结果展示

MATLAB2022A/MATLAB2024B版本运行

3.核心程序

复制代码
....................................................
%%
while gen < MAXGEN;   
    %遗传算法选择交叉变异
    if gen <= 1
      Pe0 = 0.975;
      pe1 = 0.025; 
    else
      Pe0 = 1/(1+exp(-0.65*df));
      pe1 = 1-Pe0; 
    end

      FitnV=ranking(Objv);    
      Selch=select('sus',Chrom,FitnV);    
      Selch=recombin('xovsp', Selch,Pe0);   
      Selch=mut( Selch,pe1);   
      phen1=bs2rv(Selch,FieldD);   

      for a=1:1:NIND  
          Sh_{a}       = phen1(a,1:2*Cnums);
          Sd_{a}       = phen1(a,2*Cnums+1:4*Cnums);
          Qr_{a}       = phen1(a,4*Cnums+1:6*Cnums);
          D_{a}        = phen1(a,6*Cnums+1:8*Cnums);
          %计算对应的目标值
          [epls,Couts] = func_obj(Sh_{a},Sd_{a},Qr_{a},D_{a},Sdr,Sdp);
          E            = epls;
          JJ(a,1)      = E;
          JJc(a,1)     = Couts;
      end 
      
      Objvsel=(JJ);    
      [Chrom,Objv]=reins(Chrom,Selch,1,1,Objv,Objvsel);   
      gen=gen+1; 

      %保存参数收敛过程和误差收敛过程以及函数值拟合结论
      index1     = isnan(JJ);
      index2     = find(index1 == 1);
      JJ(index2) = [];
      Error2(gen) = min(JJ);
      [VV,II]=min(JJ);
      df = max(Objvsel) - mean(Objvsel);
end
%根据优化结果得到优化的参数数据获得优化后的待优化变量值
[VV,II] = min(JJ);
Lsh_opt = Sh_{II}(1:Cnums);
Rsh_opt = Sh_{II}(Cnums+1:2*Cnums);
Lsd_opt = Sd_{II}(1:Cnums);
Rsd_opt = Sd_{II}(Cnums+1:2*Cnums);
Lqr_opt = Qr_{II}(1:Cnums);
Rqr_opt = Qr_{II}(Cnums+1:2*Cnums);
LD_opt  = D_{II}(1:Cnums);
RD_opt  = D_{II}(Cnums+1:2*Cnums);
SM(mtkl)= min(JJ);
SM2(mtkl)= JJc(II);
end 
EL(timdx)  = R/Len*mean(SM)/NLc;
ELc(timdx) = mean(SM2);
end
%计算得到使用寿命
ELs(cl)    = 1e1*mean(EL);
%期望镟修次数
NELs(cl)   = round(5e3*mean(ELc)/NLc/Sdr);
end

subplot(312);
plot(ELs,'b-*');
grid on
ylabel('期望使用寿命');

subplot(313);
plot(NELs,'b-*');
grid on
ylabel('期望璇修次数');

save R22.mat ELs NELs

forcast;
16_074m

4.本算法原理

传统遗传算法中交叉概率和变异概率通常是固定的,而自适应遗传算法则根据种群中个体的适应度值动态调整这两个概率。在优化初期,为了广泛探索解空间,适应度较差的个体采用较高的交叉率和变异率,以增加新个体的产生和多样性;在接近最优解时,适应度较高的个体采用较低的变异率,以保护优良基因,同时也能进行局部精细搜索,避免错过最优解。这种自适应调整可以在全局搜索和局部搜索之间取得平衡,提高算法的优化效率和精度,避免早熟收敛。

自适应交叉率根据个体的适应度值进行调整。如果两个个体的适应度较差,则使用较高的交叉率增加探索范围;如果两个个体的适应度较好,则降低交叉率以保留优良个体。

变异率同样根据个体的适应度进行动态调整。适应度较差的个体采用较高的变异率,适应度较高的个体采用较低的变异率,以保护优秀基因。

一般情况下,当交叉概率的值较大的时候,那么种群中新的个体的诞生速度较快,从而使得种群具有多样性;而当交叉概率的值较小的时候,则种群中新的个体诞生的速度较慢。通过上面的分析可知,交叉概率和变异概率是影响遗传算法性能的主要因素。通过自适应调整的方式来获得交叉概率和变异概率从而保证种群中各个个体的多样性:

根据以上原理和步骤,以及各个个体染色体的基本情况,通过自适应调整的方式进行交叉概率以及变异概率的调整。其中,在遗传算法中,对交叉和变异方式的判断,其主要通过每个个体的染色体最大适应度值以及平均适应度的差值来计算.

5.完整程序

VVV

相关推荐
简简单单做算法17 小时前
基于LSTM深度学习网络的视频类型分类算法matlab仿真
深度学习·matlab·分类·lstm·视频类型分类
2zcode2 天前
基于Matlab图像处理的水果分级系统
图像处理·人工智能·matlab
88号技师2 天前
2025年7月Renewable Energy-冬虫夏草优化算法Caterpillar Fungus Optimizer-附Matlab免费代码
开发语言·人工智能·算法·matlab·优化算法
slandarer3 天前
MATLAB | 绘图复刻(二十二)| 带树状图的三角热图合集
matlab·nature
yugi9878383 天前
使用MATLAB生成三维圆柱形Voronoi图
开发语言·matlab
88号技师3 天前
2025年7月一区SCI-投影迭代优化算法Projection Iterative Methods-附Matlab免费代码
开发语言·人工智能·算法·机器学习·matlab·优化算法
WangYan20223 天前
MATLAB近红外光谱分析:MATLAB编程+BP神经网络+SVM+随机森林+遗传算法+变量降维+卷积神经网络等
matlab·bp神经网络·近红外光谱
SageFlower3 天前
MATLAB 数据掩膜函数
开发语言·matlab
2zcode4 天前
基于Matlab传统图像处理技术的车辆车型识别与分类方法研究
开发语言·图像处理·matlab
关岭风尘4 天前
Matlab/Simulink - BLDC直流无刷电机仿真基础教程(八) - 变电感法检测转子初始位置
matlab·bldc电机·变电感法·转子位置检测