一、算法原理与核心步骤
1. 遗传算法（GA）
原理：模拟生物进化中的选择、交叉和变异机制，通过种群迭代逐步逼近全局最优解。
核心步骤：
- 编码与初始化：将解空间映射为染色体（如二进制编码或实数编码），生成初始种群。
- 适应度评估：计算每个个体的目标函数值（适应度），最大化问题直接取函数值，最小化问题可取反。
- 选择操作：根据适应度选择优良个体（如轮盘赌选择、锦标赛选择）。
- 交叉与变异：通过交叉（如单点交叉）生成新个体，变异（如位翻转）增加种群多样性。
- 终止条件：达到最大迭代次数或适应度收敛。
MATLAB实现示例（以函数 f(x)=xsin(x)cos(2x)−2xsin(3x)为例）：
functionga_demo()% 参数设置nVars=1;% 变量维度lb=0;ub=20;% 变量范围options=optimoptions('ga',...'MaxGenerations',200,...'PopulationSize',100,...'CrossoverFcn',@crossoverscattered,...'MutationFcn',@mutationadaptfeasible,...'PlotFcn',@gaplotbestf);% 定义目标函数（取反求最大值）fun=@(x)-(x.*sin(x).*cos(2*x)-2*x.*sin(3*x));% 调用遗传算法[x,fval]=ga(fun,nVars,[],[],[],[],lb,ub,[],options);fval=-fval;% 恢复原函数值disp(['最优解: x = ',num2str(x),', 最大值: ',num2str(fval)]);end2. 粒子群算法（PSO）
原理：模拟鸟群觅食行为，粒子通过个体最优（pbest）和全局最优（gbest）调整速度和位置。
核心步骤：
- 初始化：随机生成粒子位置和速度，设置惯性权重 w、学习因子 c1,c2。
- 适应度评估：计算粒子适应度，更新个体最优和全局最优。
- 速度与位置更新： \4.边界处理：限制粒子位置和速度在合理范围内。
- 终止条件：达到最大迭代次数或适应度收敛。
MATLAB实现示例：
functionpso_demo()% 参数设置nParticles=50;% 粒子数量maxIter=100;% 最大迭代次数w=0.8;% 惯性权重c1=1.5;c2=1.5;% 学习因子lb=0;ub=20;% 变量范围% 初始化粒子x=lb+(ub-lb)*rand(nParticles,1);v=0.1*rand(nParticles,1);pbest=x;pbest_val=inf(nParticles,1);gbest=x(1);gbest_val=inf;% 迭代优化foriter=1:maxIter% 计算适应度fitness=x.*sin(x).*cos(2*x)-2*x.*sin(3*x);% 更新个体最优update_idx=fitness<pbest_val;pbest(update_idx)=x(update_idx);pbest_val(update_idx)=fitness(update_idx);% 更新全局最优[min_val,min_idx]=min(pbest_val);ifmin_val<gbest_val gbest=pbest(min_idx);gbest_val=min_val;end% 更新速度与位置r1=rand(nParticles,1);r2=rand(nParticles,1);v=w*v+c1*r1.*(pbest-x)+c2*r2.*(gbest-x);x=x+v;% 边界处理x(x<lb)=lb;x(x>ub)=ub;v(v>1)=1;v(v<-1)=-1;% 可视化plot(x,fitness,'bo');hold on;plot(gbest,gbest_val,'rx','MarkerSize',10);title(sprintf('迭代次数: %d, 最大值: %.4f',iter,gbest_val));drawnow;endend二、算法对比与参数优化
1. 性能对比
| 指标 | 遗传算法（GA） | 粒子群算法（PSO） |
|---|---|---|
| 全局搜索能力 | 强（依赖交叉和变异） | 较强（依赖群体经验） |
| 收敛速度 | 较慢（需多代迭代） | 较快（适应度更新直接） |
| 参数敏感性 | 高（交叉率、变异率影响大） | 中等（惯性权重、学习因子需调优） |
| 适用场景 | 多峰、高维、复杂约束问题 | 连续、低维、无约束优化问题 |
2. 参数优化策略
- 遗传算法：交叉率（0.7-0.9）和变异率（0.01-0.1）需平衡探索与开发。 采用自适应交叉/变异（如根据种群多样性动态调整）。
- 粒子群算法：惯性权重w从0.9线性递减至0.4，平衡全局与局部搜索。学习因子c1,c2通常设为2.0，可引入动态调整机制。
三、改进算法与工程应用
1. 混合算法
- GA-PSO混合：先用GA探索全局最优区域，再用PSO快速收敛。
- 自适应变异量子PSO：引入量子势阱和变异算子，避免早熟收敛。
2. 工程案例
- 函数优化：如搜索 f(x)=x2+10sin(5x)在 [−10,10]的最大值。
- 工程参数调优：PID控制器参数设计、机械结构优化。
四、MATLAB代码扩展
多模态函数优化：
% 定义多峰函数（Rastrigin函数）fun=@(x)10*numel(x)+sum(x.^2-10*cos(2*pi*x));约束处理： 使用
gamultiobj处理多目标优化。 通过罚函数法处理不等式约束。
参考代码 遗传算法和粒子群算法求解非线性函数最大值问题www.youwenfan.com/contentcsp/97949.html
五、总结
遗传算法和粒子群算法在非线性函数优化中各有优势：
- GA适合复杂多峰问题，但需精细调参；
- PSO收敛速度快，但对高维问题易陷入局部最优。
