如何在MATLAB中定义y=(x-1)²函数并通过Python遗传算法优化

方式1：脚本内匿名函数（适合简单函数） #

直接在MATLAB脚本中定义，快速调用：

% 定义匿名函数，支持向量输入
y = @(x) (x - 1).^2;

% 测试函数输出
test_x = 2;
disp(['x=', num2str(test_x), '时，y=', num2str(y(test_x))]);

方式2：独立函数文件（适合复杂逻辑） #

新建my_obj_fun.m文件，可扩展多行复杂计算：

function output = my_obj_fun(x)
    % 支持批量计算，适配遗传算法的种群输入
    output = (x - 1).^2;
end

你当前用的Ipopt是梯度类优化器，遗传算法属于无梯度启发式算法，更适合非凸、多模态、无解析梯度的复杂问题。以下提供两种实用方案：

方案1：保持Pyomo建模习惯，用遗传算法求解器 #

Pyomo有官方遗传算法扩展，无需改变建模逻辑：

步骤1：安装依赖 #

pip install pyomo[ga]

步骤2：实现代码 #

import pyomo.environ as pyo

# 1. 构建Pyomo模型（与你原有代码一致）
model = pyo.ConcreteModel()
model.x = pyo.Var(bounds=(-3, 3))
x = model.x

def my_function(x):
    return (x - 1)**2

model.obj = pyo.Objective(expr=my_function(x), sense=pyo.minimize)

# 2. 调用遗传算法求解器
from pyomo.contrib.ga import GeneticAlgorithm
ga = GeneticAlgorithm(model)
# 配置算法参数（可根据复杂场景调整）
ga.options['max_generations'] = 40
ga.options['population_size'] = 50
ga.solve()

# 3. 输出结果
x_value = pyo.value(model.x)
print(f'最优解x = {x_value:.4f}')
print(f'目标函数值 = {pyo.value(model.obj):.4f}')

方案2：用DEAP框架自定义遗传算法（灵活适配复杂场景） #

DEAP是Python最常用的遗传算法框架，支持自定义编码、交叉、变异逻辑，应对多变量、带约束的复杂问题更灵活：

步骤1：安装依赖 #

pip install deap

步骤2：实现代码 #

import random
from deap import base, creator, tools, algorithms

# 1. 定义优化目标：最小化目标函数
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))  # 权重-1表示最小化
creator.create("Individual", list, fitness=creator.FitnessMin)

# 2. 初始化个体与种群
toolbox = base.Toolbox()
# 定义变量x的范围：[-3, 3]，采用实数编码
toolbox.register("attr_float", random.uniform, -3, 3)
# 生成个体（单变量，多变量时修改n值）
toolbox.register("individual", tools.initRepeat, creator.Individual, toolbox.attr_float, n=1)
# 生成种群
toolbox.register("population", tools.initRepeat, list, toolbox.individual)

# 3. 定义目标函数（可替换为任意复杂逻辑）
def eval_obj(individual):
    x = individual[0]
    return (x - 1)**2,  # 返回元组，适配DEAP接口

toolbox.register("evaluate", eval_obj)

# 4. 定义遗传操作
toolbox.register("mate", tools.cxBlend, alpha=0.5)  # 实数交叉
toolbox.register("mutate", tools.mutGaussian, mu=0, sigma=0.5, indpb=0.2)  # 高斯变异
toolbox.register("select", tools.selTournament, tournsize=3)  # 锦标赛选择

# 5. 运行遗传算法
def main():
    random.seed(42)  # 设置随机种子，保证结果可复现
    pop = toolbox.population(n=50)  # 种群规模
    CXPB, MUTPB, NGEN = 0.7, 0.2, 40  # 交叉概率、变异概率、进化代数

    # 评估初始种群
    fitnesses = list(map(toolbox.evaluate, pop))
    for ind, fit in zip(pop, fitnesses):
        ind.fitness.values = fit

    # 迭代进化
    for g in range(NGEN):
        print(f"第 {g+1} 代进化")
        # 选择下一代个体
        offspring = toolbox.select(pop, len(pop))
        offspring = list(map(toolbox.clone, offspring))

        # 交叉操作
        for child1, child2 in zip(offspring[::2], offspring[1::2]):
            if random.random() < CXPB:
                toolbox.mate(child1, child2)
                del child1.fitness.values
                del child2.fitness.values

        # 变异操作
        for mutant in offspring:
            if random.random() < MUTPB:
                toolbox.mutate(mutant)
                del mutant.fitness.values

        # 评估新生成的个体
        invalid_ind = [ind for ind in offspring if not ind.fitness.valid]
        fitnesses = map(toolbox.evaluate, invalid_ind)
        for ind, fit in zip(invalid_ind, fitnesses):
            ind.fitness.values = fit

        # 更新种群
        pop[:] = offspring

    # 输出最优解
    best_ind = tools.selBest(pop, 1)[0]
    print(f"\n最优解：x = {best_ind[0]:.4f}，目标函数值 = {best_ind.fitness.values[0]:.4f}")

if __name__ == "__main__":
    main()

• 多变量优化：DEAP中修改n=1为变量个数；Pyomo中新增model.x2、model.x3等变量即可。
• 约束处理：DEAP中可给违反约束的个体添加惩罚项（比如目标函数值+1000）；Pyomo中直接定义model.con1 = pyo.Constraint(expr=...)，遗传算法会自动处理。
• 复杂函数逻辑：将目标函数的计算逻辑封装为独立函数，可调用外部程序（比如用matlab.engine调用MATLAB中的复杂函数）。

内容的提问来源于stack exchange，提问作者MENG