基于matlab的改進(jìn)的量子遺傳算法對多變量函數(shù)尋優(yōu)完整代碼，內(nèi)容詳細(xì)，包含運(yùn)行說明，該代碼在量子旋轉(zhuǎn)門調(diào)整中做了一些改進(jìn)，在“Qgate1”中可以看到，旋轉(zhuǎn)角度并不是固定不變的，而是將其與適應(yīng)度以及根的值聯(lián)系起來，使得計算更為精確。程序已調(diào)通，可直接運(yùn)行。

本次遺傳算法尋優(yōu)屬于無目標(biāo)函數(shù)條件下的尋優(yōu)計算，不需要利用BP神經(jīng)網(wǎng)絡(luò)擬合得到目標(biāo)函數(shù)的表達(dá)式。對于無目標(biāo)函數(shù)的GA尋優(yōu)采用的方案是利用BP神經(jīng)網(wǎng)絡(luò)反歸一化后的預(yù)測作為適應(yīng)度函數(shù)來找到最優(yōu)值以及實(shí)現(xiàn)最優(yōu)值的試驗(yàn)條件(參數(shù))。遺傳算法尋優(yōu)的是極小值，而本次試驗(yàn)獲得的數(shù)據(jù)都是正值，要想得到孔口處最小壁厚的最大值，需要輸入數(shù)據(jù)時在數(shù)據(jù)前面加上“-”號，使問題轉(zhuǎn)化為尋找極小值。

基于MATLAB的鯨魚優(yōu)化VMD參數(shù)，以熵值為適應(yīng)度函數(shù)，對VMD參數(shù)懲罰因子和層數(shù)進(jìn)行尋優(yōu)，確定最優(yōu)值并進(jìn)行信號分解，程序已調(diào)通，可以直接運(yùn)行。

轉(zhuǎn)子葉片優(yōu)化先進(jìn)行初始流場求解，獲得流場之后確定優(yōu)化目標(biāo)函數(shù)，為獲得尋優(yōu)方向，需求解優(yōu)化目標(biāo)函數(shù)對葉片的微分，即敏感性，計算方法采用伴隨法，根據(jù)獲得的敏感性利用自定義函數(shù)通過控制點(diǎn)控制網(wǎng)格變形改變?nèi)~片型面，最后求解新葉型的流動控制方程，計算出優(yōu)化后的流場，根據(jù)目標(biāo)函數(shù)是否滿足預(yù)期要求再決定是否繼續(xù)優(yōu)化，葉片優(yōu)化流程如圖。

同時避免模型過學(xué)習(xí)和欠學(xué)習(xí)的現(xiàn)象發(fā)生，采用5倍交叉驗(yàn)證法以訓(xùn)練集最小均方根誤差為適應(yīng)度函數(shù)來進(jìn)行參數(shù)尋優(yōu)。當(dāng)達(dá)到最小均方根誤差時，所得到的c和g為最佳參數(shù)。

- 成本函數(shù)尋優(yōu) 以上是模擬結(jié)果。成本與迭代的關(guān)系圖顯示了優(yōu)化的結(jié)果。當(dāng)我們對結(jié)果表進(jìn)行排序時，我們可以選擇最低的成本值并找到贏家。 注意：此模擬作為2D分析執(zhí)行，并解決了50次迭代。每種溶液約需50秒，因此總?cè)芙鈺r間不超過45分鐘。這可以在三維模型上執(zhí)行，但求解時間顯然會更長–這將是使用分布式求解的一個很好的候選者。

間接法不對性能指標(biāo)函數(shù)直接尋優(yōu)，而是基于Pontryagin極大值原理，通過推導(dǎo)最優(yōu)控制問題的一階必要條件，將其轉(zhuǎn)化為Hamiltonian邊值問題。間接法求解精度高，且最優(yōu)解滿足一階最優(yōu)性必要條件，但對于復(fù)雜非線性問題，間接法的推導(dǎo)過程比較繁瑣復(fù)雜。當(dāng)求解兩點(diǎn)邊值問題時，收斂域很小，對初值依賴性高，部分協(xié)調(diào)變量無直接物理意義，初值選取難度大；當(dāng)存在過程約束時，間接法難以實(shí)施。

這里以一個二維尋優(yōu)函數(shù)為例，不同的顏色代表著不同的溫度。圓圈代表著在搜索范圍內(nèi)，計算和比較鄰居中比當(dāng)前解更好（或接受概率更大）的解。每次跳躍代表著取了更好的解，也就是用新解代替舊解。這個過程視不同目標(biāo)函數(shù)及約束條件變化而變化，希望狗子們忽略細(xì)節(jié)，領(lǐng)會精神。 來源：MATLAB愛好者