m基于GA遗传优化算法的水库调度优化matlab仿真

本文涉及的产品
全球加速 GA,每月750个小时 15CU
简介: m基于GA遗传优化算法的水库调度优化matlab仿真

1.算法描述

   遗传算法GA把问题的解表示成“染色体”,在算法中也即是以二进制编码的串。并且,在执行遗传算法之前,给出一群“染色体”,也即是假设解。然后,把这些假设解置于问题的“环境”中,并按适者生存的原则,从中选择出较适应环境的“染色体”进行复制,再通过交叉,变异过程产生更适应环境的新一代“染色体”群。这样,一代一代地进化,最后就会收敛到最适应环境的一个“染色体”上,它就是问题的最优解。

   其主要步骤如下:

1.初始化

   选择一个群体,即选择一个串或个体的集合bi,i=1,2,...n。这个初始的群体也就是问题假设解的集合。一般取n=30-160。

   通常以随机方法产生串或个体的集合bi,i=1,2,...n。问题的最优解将通过这些初始假设解进化而求出。

2.选择

  根据适者生存原则选择下一代的个体。在选择时,以适应度为选择原则。适应度准则体现了适者生存,不适应者淘汰的自然法则。

给出目标函数f,则f(bi)称为个体bi的适应度。以

为选中bi为下一代个体的次数。

显然.从式(3—86)可知:

(1)适应度较高的个体,繁殖下一代的数目较多。

(2)适应度较小的个体,繁殖下一代的数目较少;甚至被淘汰。

这样,就产生了对环境适应能力较强的后代。对于问题求解角度来讲,就是选择出和最优解较接近的中间解。

3.交叉

   对于选中用于繁殖下一代的个体,随机地选择两个个体的相同位置,按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换;目的在于产生新的基因组合,也即产生新的个体。交叉时,可实行单点交叉或多点交叉。

优化目标函数:

image.png

2.仿真效果预览
matlab2022a仿真如下:

2.png
3.png
4.png
5.png

3.MATLAB核心程序

for i = 1:T
    if T<=60
       Areas = [Areas,[600;800]];
    else
       Areas = [Areas,[1000;3000]]; 
    end
end
for i = 1:T
    if T<=60
       Areas = [Areas,[200;300]];%百色200m≤Q<300m3/s
    else
       Areas = [Areas,[150;1200]];%百色≥150m3/s,这里我加一个上限1200
    end
end
for i = 1:10*T
    Areas = [Areas,[100;800]];
end
 
 
FieldD = [rep([10],[1,Nums]);Areas;rep([0;0;0;0],[1,Nums])];
 
gen   = 0;
 
%计算对应的目标值
tmps         = repmat([400;400;400;400;400;400;400;400;400;400;400;400;400],[1,T]);
X            = tmps;%初始值
[fobj,P,E,E1,E2,E3] = func_obj(X);
E            = fobj;
Js           = E*ones(NIND,1);
Objv         = (Js+eps);
gen          = 0; 
 
%%
Z=[];
P=[];
E=[];
while gen < MAXGEN;   
      gen
      Pe0 = 0.996;
      pe1 = 0.004; 
 
      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  
          
          X1          = phen1(a,:);
          tmps        = [reshape(X1,[13,T])];
          %计算对应的目标值
          [fobj,P,E,Ea,Eb,Ec,QWZt]  = func_obj(tmps);
          JJ(a,1)     = fobj;
          Xp{a}       = tmps;
          Ps(a)       = P;
          Es(a,:)       = [E,Ea,Eb,Ec];
      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
      Error(gen) = mean(JJ);
      Z2(gen)=[1/mean(JJ)];
      P2(gen)=mean(Ps);
      E2(gen)=mean(Es(:,1));
end 
 
figure;
plot(Error,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('遗传算法优化过程');
 
figure;
plot(Z2,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('Z');
 
figure;
plot(P2,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('P');
 
figure;
plot(E2,'linewidth',2);
grid on
xlabel('迭代次数');
ylabel('E');
 
X1=Xp{1};
tmps_       = [reshape(X1',[T,13])]';
 
for j = 1:13
    for i = 1:length(tmps_) 
        if i<=28
           tmps_(j,i) = 0.3*tmps_(j,i); 
        end   
    end
    for i = 1:length(tmps_)
        if i<=128
           tmps(j,i) = mean(tmps_(j,1:i)); 
        else
           tmps(j,i) = mean(tmps_(j,i-128:i));  
        end
    end
 
end
 
 
% 出库流量过程,tmps为3个点的不同时刻的流量输出,可以自己查看
% F1=tmps(1,:);% 光照
% F2=tmps(2,:);% 龙滩
% F3=tmps(3,:);% 白色
 
 
% 水位过程
h1=tmps(1,:);% 光照
Q1=3.54044*h1.^3-6833.14189*h1.^2+4396460*h1-942980000;
Q1=(Q1-4*min(Q1))/2e5;
h2=tmps(2,:);% 龙滩
Q2=0.00744*h2.^4-7.01935*h2.^3+2494.05375*h2.^2-394994.61347*h2+23495400;
Q2=(Q2)/4e5;
h3=tmps(3,:);% 白色
 
Q3=-0.08925*h3.^3+64.21189*h3.^2-11396.40577*h3+597219.15921;
Q3=(Q3-4*min(Q3))/1e5;
% 总发电量
E2(end);
% 光照
Ea = Es(1,2)
% 龙滩
Eb = Es(1,3)
% 白色
Ec = Es(1,4)
% 保证率
P2(end);
% 梧州流量
Fe=QWZt;
02_061m
相关文章
|
6天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于yolov4深度学习网络的公共场所人流密度检测系统matlab仿真,带GUI界面
本项目使用 MATLAB 2022a 进行 YOLOv4 算法仿真,实现公共场所人流密度检测。通过卷积神经网络提取图像特征,将图像划分为多个网格进行目标检测和识别,最终计算人流密度。核心程序包括图像和视频读取、处理和显示功能。仿真结果展示了算法的有效性和准确性。
53 31
|
15小时前
|
机器学习/深度学习 算法
基于改进遗传优化的BP神经网络金融序列预测算法matlab仿真
本项目基于改进遗传优化的BP神经网络进行金融序列预测,使用MATLAB2022A实现。通过对比BP神经网络、遗传优化BP神经网络及改进遗传优化BP神经网络,展示了三者的误差和预测曲线差异。核心程序结合遗传算法(GA)与BP神经网络,利用GA优化BP网络的初始权重和阈值,提高预测精度。GA通过选择、交叉、变异操作迭代优化,防止局部收敛,增强模型对金融市场复杂性和不确定性的适应能力。
|
6天前
|
算法
基于Adaboost模型的数据预测和分类matlab仿真
AdaBoost(Adaptive Boosting)是一种由Yoav Freund和Robert Schapire于1995年提出的集成学习方法,旨在通过迭代训练多个弱分类器并赋予分类效果好的弱分类器更高权重,最终构建一个强分类器。该方法通过逐步调整样本权重,使算法更关注前一轮中被误分类的样本,从而逐步优化模型。示例代码在MATLAB 2022A版本中运行,展示了随着弱分类器数量增加,分类错误率的变化及测试数据的分类结果。
|
5天前
|
供应链 算法 调度
排队算法的matlab仿真,带GUI界面
该程序使用MATLAB 2022A版本实现排队算法的仿真,并带有GUI界面。程序支持单队列单服务台、单队列多服务台和多队列多服务台三种排队方式。核心函数`func_mms2`通过模拟到达时间和服务时间,计算阻塞率和利用率。排队论研究系统中顾客和服务台的交互行为,广泛应用于通信网络、生产调度和服务行业等领域,旨在优化系统性能,减少等待时间,提高资源利用率。
|
15天前
|
机器学习/深度学习 算法 Python
基于BP神经网络的金融序列预测matlab仿真
本项目基于BP神经网络实现金融序列预测,使用MATLAB2022A版本进行开发与测试。通过构建多层前馈神经网络模型,利用历史金融数据训练模型,实现对未来金融时间序列如股票价格、汇率等的预测,并展示了预测误差及训练曲线。
|
16天前
|
算法
超市火灾烟雾蔓延及人员疏散的matlab模拟仿真,带GUI界面
本项目基于MATLAB2022A开发,模拟了大型商业建筑中火灾发生后的人员疏散与烟雾扩散情况。算法通过设定引导点指导人员疏散,考虑视野范围、随机运动及多细胞竞争同一格点的情况。人员疏散时,根据是否处于烟雾区调整运动策略和速度,初始疏散采用正态分布启动。烟雾扩散模型基于流体方程,考虑了无风环境下的简化。
|
13天前
|
存储 算法
基于HMM隐马尔可夫模型的金融数据预测算法matlab仿真
本项目基于HMM模型实现金融数据预测,包括模型训练与预测两部分。在MATLAB2022A上运行,通过计算状态转移和观测概率预测未来值,并绘制了预测值、真实值及预测误差的对比图。HMM模型适用于金融市场的时间序列分析,能够有效捕捉隐藏状态及其转换规律,为金融预测提供有力工具。
|
13天前
|
机器学习/深度学习 算法 信息无障碍
基于GoogleNet深度学习网络的手语识别算法matlab仿真
本项目展示了基于GoogleNet的深度学习手语识别算法,使用Matlab2022a实现。通过卷积神经网络(CNN)识别手语手势,如&quot;How are you&quot;、&quot;I am fine&quot;、&quot;I love you&quot;等。核心在于Inception模块,通过多尺度处理和1x1卷积减少计算量,提高效率。项目附带完整代码及操作视频。
|
18天前
|
存储 算法 数据安全/隐私保护
基于方块编码的图像压缩matlab仿真,带GUI界面
本项目展示了基于方块编码的图像压缩算法,包括算法运行效果、软件环境(Matlab 2022a)、核心程序及理论概述。算法通过将图像划分为固定大小的方块并进行量化、编码,实现高效压缩,适用于存储和传输大体积图像数据。
|
16天前
|
机器学习/深度学习 算法 数据安全/隐私保护
基于深度学习网络的宝石类型识别算法matlab仿真
本项目利用GoogLeNet深度学习网络进行宝石类型识别,实验包括收集多类宝石图像数据集并按7:1:2比例划分。使用Matlab2022a实现算法,提供含中文注释的完整代码及操作视频。GoogLeNet通过其独特的Inception模块,结合数据增强、学习率调整和正则化等优化手段,有效提升了宝石识别的准确性和效率。

热门文章

最新文章