【原创】双层规划模型的遗传算法求解的Matlab源码

[greensim]

求解双层规划问题常用的算法有极点算法、直接搜索法、下降法和非数值优化方法(如模拟退火算法、遗传算法等)，遗传算法的求解思路是：首先对上层的决策变量编码，代人下层规划模型，通过求解下层模型的决策变量值，代入上层模型计算适应度值，然后进行交叉、变异、选择操作，最后求出最优解。本源码由GreenSim团队原创，转载请注明，有意购买源码或代写相关程序，请与GreenSim团队联系（主页http://blog.sina.com.cn/greensim）

function [BESTX,BESTY,ALLX,ALLY]=GAU(KU,KD,NU,ND,PmU,PmD,V,Q,R,m,t,p0,CF,Alpha,Beta,C0,Q0,h,a,b,d,Cr)
% GreenSim团队原创作品，转载请注明
% 欢迎访问GreenSim——算法仿真团队→http://blog.sina.com.cn/greensim
%% 输入参数列表
% KU 上层迭代次数
% KD 下层迭代次数
% NU 上层种群规模，要求是偶数
% ND 下层种群规模，要求是偶数
% PmU 上层变异概率
% PmD 下层变异概率
% 其余参数均为模型参数
%% 输出参数列表
% xbest 下层模型的最优决策变量
% BESTX K×1细胞结构，每一个元素是M×1向量，记录每一代的最优个体
% BESTY K×1矩阵，记录每一代的最优个体的评价函数值
% ALLX K×1细胞结构，每一个元素是M×N矩阵，记录全部个体
% ALLY K×N矩阵，记录全部个体的评价函数值

%% 第一步：种群初始化，确保满足约束的初始化
n=length(C0);%决策变量的个数
%种群初始化，每一行是一个样本
farm=zeros(NU,n);
for i=1:NU
Ta=randperm(n);
Tb=unidrnd(n-1)+1;
farm(i,sort(Ta(1:Tb)))=1;
GT=farm(i,:);
GT=JZU(GT,V,Q);
farm(i,:)=GT;
end

%输出变量初始化
ALLX=cell(KU,1);%细胞结构，每一个元素是N×n矩阵，记录每一代的个体
ALLY=zeros(KU,NU);%K×N矩阵，记录每一代评价函数值
BESTX=cell(KU,1);%细胞结构，每一个元素是1×n向量，记录每一代的最优个体
BESTY=zeros(KU,1);%K×1矩阵，记录每一代的最优个体的评价函数值
k=1;%迭代计数器初始化

%% 第二步：迭代过程
while k<=KU
%% 以下是交叉过程
newfarm=zeros(2*NU,n);
Ser=randperm(NU);%两两随机配对的配对表
AA=farm(Ser(1),:);
BB=farm(Ser(2),:);
P0=unidrnd(n-1);
aa=[AA(1:P0),BB((P0+1):end)];%产生子代a
bb=[BB(1:P0),AA((P0+1):end)];%产生子代b
if sum(aa)<2
Ta=randperm(n);
Tb=unidrnd(n-1)+1;
aa=zeros(1,n);
aa(1,sort(Ta(1:Tb)))=1;
end
if sum(bb)<2
Ta=randperm(n);
Tb=unidrnd(n-1)+1;
bb=zeros(1,n);
bb(1,sort(Ta(1:Tb)))=1;
end
aa=JZU(aa,V,Q);
bb=JZU(bb,V,Q);
newfarm(2*NU-1,:)=aa;%加入子代种群
newfarm(2*NU,:)=bb;

for i=1:(NU-1)
AA=farm(Ser(i),:);
BB=farm(Ser(i+1),:);
P0=unidrnd(n-1);
aa=[AA(1:P0),BB((P0+1):end)];
bb=[BB(1:P0),AA((P0+1):end)];
if sum(aa)<2
Ta=randperm(n);
Tb=unidrnd(n-1)+1;
aa=zeros(1,n);
aa(1,sort(Ta(1:Tb)))=1;
end
if sum(bb)<2
Ta=randperm(n);
Tb=unidrnd(n-1)+1;
bb=zeros(1,n);
bb(1,sort(Ta(1:Tb)))=1;
end
aa=JZU(aa,V,Q);
bb=JZU(bb,V,Q);
newfarm(2*i-1,:)=aa;
newfarm(2*i,:)=bb;
end
FARM=[farm;newfarm];

%% 选择复制
SER=randperm(3*NU);
FITNESS=zeros(1,3*NU);
fitness=zeros(1,NU);
for i=1:(3*NU)
u=FARM(i,:);
[xbest,BESTXx,BESTYy,ALLXx,ALLYy]=GAD(u,KD,ND,PmD,V,Q,R,m,t,p0,CF);%调用下层遗传算法得到x
x=xbest;
FITNESS(i)=OBJU(x,u,Alpha,Beta,C0,Q0,h,a,b,d,Q,Cr,m,t);
end
for i=1:NU
f1=FITNESS(SER(3*i-2));
f2=FITNESS(SER(3*i-1));
f3=FITNESS(SER(3*i));
if f1<=f2&&f1<=f3
farm(i,:)=FARM(SER(3*i-2),:);
fitness(i)=FITNESS(SER(3*i-2));
elseif f2<=f1&&f2<=f3
farm(i,:)=FARM(SER(3*i-1),:);
fitness(i)=FITNESS(SER(3*i-1));
else
farm(i,:)=FARM(SER(3*i),:);
fitness(i)=FITNESS(SER(3*i));
end
end

%% 记录最佳个体和收敛曲线
X=farm;
Y=fitness;
ALLX{k}=X;
ALLY(k,:)=Y;
minY=min(Y);
pos=find(Y==minY);
BESTX{k}=X(pos(1),:);
BESTY(k)=minY;

%% 变异
for i=1:NU
if PmU>rand&&pos(1)~=i
Ta=randperm(n);
Tb=unidrnd(n-1)+1;
BB=zeros(1,n);
BB(1,sort(Ta(1:Tb)))=1;
BB=JZU(BB,V,Q);
farm(i,:)=BB;
end
end
disp(k);
k=k+1;
end

%% 绘图
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:KU
TempY=BESTY(1:k);
minTempY=min(TempY);
posY=find(TempY==minTempY);
BESTY2(k)=minTempY;
BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函数值')
xlabel('迭代次数')
grid on