引用 matlab遗传算法工具箱函数及实例讲解
MATLAB遗传算法工具箱在函数优化中的应用
[x, fval] = ga(fun, 1,,,,,,,, options);
%输出结果
disp(['x = ', num2str(x)]);
disp(['f(x) = ', num2str(fval)]);
在上述代码中，我们首先定义了目标函数，然后设置了遗传算法的参数，包 括种群规模、最大迭代次数、交叉概率和变异概率。接下来，我们使用 optimoptions函数初始化遗传算法，并传入目标函数和参数设置。最后，我们使 用ga函数求解最小值点，并输出结果。
在使用遗传算法工具箱进行函数优化时，需要注意以下问题：
1、适应度函数的设计：适应度函数是评价个体优劣程度的指标，必须合理 设计以满足优化问题的需求。
2、种群规模和迭代次数的设定：种群规模和迭代次数是影响遗传算法性能 的关键参数，需要根据问题规模和复杂度进行合理设定。
3、交叉和变异操作的控制：交叉和变异操作是遗传算法的核心操作，需要 合理控制以保持算法的搜索能力和避免陷入局部最优解。
在定义了目标函数和约束条件之后，我们可以使用Matlab提供的ga函数来运 行遗传算法。ga函数将根据指定的目标函数和约束条件，使用遗传算法搜索最优 解。在运行过程中，我们可以使用Matlab提供的动画功能来实时查看遗传算法的 迭代过程。
除了使用Matlab遗传算法优化工具箱来解决常规的优化问题外，还可以将其 应用于其他领域。例如，在机器学习领域中，可以使用遗传算法来优化神经网络 的连接权值和结构；在控制系统领域中，可以使用遗传算法优化控制系统的参数 和结构；在图像处理领域中，可以使用遗传算法优化图像处理的算法和参数等。
通过本次演示的介绍，希望能使读者更好地理解和应用遗传算法工具箱解决 实际优化问题。
matlab工具箱遗传算法使用方法
简单的遗传算法可以使用Matlab自带的遗传算法工具箱，但是要从Matlab2010版本之后才会自带这个工具箱，且调用命令也有变化，分别是gatool和optimtool。
GUI界面如下图所示：1、problem setup and results设置与结果（1）Solver：求解程序，选择要用的求解程序（遗传算法，遗传算法多目标等）（2）problem：1）fitness function适应度函数，求最小,这里的使用度函数要自己编写，书写格式是“@函数名”。
2）number of variable变量数，必须是整数，即，使用这个GUI界面的适应度函数的变量必须是[1*n]的向量，而不能是[m*n]的矩阵。
3）constraints约束4）linear inequalities线性不等式，A*x<=b形式，其中A是矩阵，b是向量5）linear equalities线性等式，A*x=b形式，其中A是矩阵，b是向量6）bounds定义域，lower下限，upper上限，列向量形式，每一个位置对应一个变量7）nonlinear constraint function非线性约束，用户定义，非线性等式必须写成c=0形式，不等式必须写成c<=0形式8）integer variable indices整型变量标记约束，使用该项时Aeq和beq必须为空，所有非线性约束函数必须返回一个空值，种群类型必须是实数编码举例，若是想让第一个、第三个、第五个变量保持是整数的话，则直接在此处填写[1 3 5] 9）run solver and view results求解use random states from previous run使用前次的状态运行，完全重复前次运行的过程和结果2、population（1）population type编码类型1）double vector实数编码，采用双精度。
整数规划的种群类型必须是实数编码。
遗传算法优化相关MATLAB算法实现
遗传算法优化相关MATLAB算法实现遗传算法（Genetic Algorithm，GA）是一种基于生物进化过程的优化算法，能够在空间中找到最优解或接近最优解。
它模拟了自然选择、交叉和变异等进化操作，通过不断迭代的方式寻找最佳的解。
遗传算法的主要步骤包括：初始化种群、评估适应度、选择、交叉、变异和更新种群等。
在MATLAB中，可以使用遗传算法工具箱（Genetic Algorithm & Direct Search Toolbox）来实现遗传算法的优化。
下面以实现一个简单的函数优化为例进行说明。
假设我们要优化以下函数：```f(x)=x^2-2x+1```首先，我们需要定义适应度函数，即上述函数f(x)。
在MATLAB中，可以使用如下代码定义适应度函数：```MATLABfunction fitness = myFitness(x)fitness = x^2 - 2*x + 1;end```接下来，我们需要自定义遗传算法的参数，包括种群大小、迭代次数、交叉概率和变异概率等。
在MATLAB中，可以使用如下代码定义参数：```MATLABpopulationSize = 100; % 种群大小maxGenerations = 100; % 迭代次数crossoverProbability = 0.8; % 交叉概率mutationProbability = 0.02; % 变异概率```然后，我们需要定义遗传算法的上下界范围。
在本例中，x的范围为[0,10]。
我们可以使用如下代码定义范围：```MATLABlowerBound = 0; % 下界upperBound = 10; % 上界```接下来，我们可以使用遗传算法工具箱中的`ga`函数进行遗传算法的优化。
如下所示：```MATLAB```最后，我们可以得到最优解x和最优值fval。
在本例中，我们得到的结果应该接近1以上只是一个简单的例子，实际应用中可能需要根据具体问题进行参数的设定和函数的定义。
Matlab遗传算法工具箱函数及应用实例
!"#$"%遗传算法工具箱函数及应用实例于玲!!贾春强""!#沈阳化工学院机械工程学院!辽宁沈阳!!$!%"#"&大连理工大学机械工程学院!辽宁大连!!’$"($摘要%基于!"#$"%语言的遗传算法工具箱支持二进制和浮点数编码方式!并且提供了多种选择&交叉&变异的方法’通过具体实例对!"#$"%的遗传算法工具箱的用法进行了说明介绍(关键词%)*+,*-#遗传算法#工具箱#优化中图分类号%./(0!&12文献标识码%3文章编号%!$$"4"(((""$$%)!!4$$"14$"&’()#*+(,"(-./"01$2,*(!"#$"%345++$%+/678*(9:!;<4=>’(?@*"(9A5!#67899,9:);78*<=7*,><?=<;;@=<?A68;<B*<?C<D+=+E+;9:F8;G=7*,.;78<9,9?BH68;<B*<?!!I!%"H F8=<*J"#67899,9:);78*<=7*,><?=<;;@=<?H K*,=*<L<=M;@D=+B9:.;78<9,9?BH K*,=*<!!’I"(H F8=<*N 4%,#B")#C.8;O;<;+=73,?9@=+8G.99,-9P-*D;Q9<)*+,*-DERR9@+D+8;-=<*@B*<Q:,9*+H*<Q+8;@;*@;+8;;P7;,,;<+ 9R;@*+9@D9:D;,;7+=9<H7@9DD9M;@*<Q GE+*+=9<=<+8;.99,-9PH+S9;P*GR,;D*-9E+89S+9ED;+8;.99,-9P*@;=<+@9QE7;Q =<+8=D R*R;@#C+=D+98;,R@;*Q;@D=GR@9M;+8;*-=,=+B+9*<*,BT;+8;UE;D+=9<*<Q D9,M;R@9-,;G ED=<?+8;.99,-9P# D2E F+B-,C G*+,*-J?;<;+=7*,?9@=+8GJ+99,-9PJ9R+=G=T*+=9<:遗传算法与!"#$"%语言!"#$"%是一种开放式软件!经过一定的程序可以将开发的优秀的应用程序集加入到!"#$"%工具的行列(这样!许多领域前沿的研究者和科学家都可以将自己的成果集成到!"#$"%之中!被全人类继承和利用(因此!!"#$"%中含有诸多的面向不同应用领域的工具箱!例如%信号处理工具箱&图像处理工具箱&通信工具箱&系统辨识工具箱&优化工具箱&鲁棒控制工具箱&非线性控制工具箱等!而且工具箱还在不断地扩展之中(A遗传算法工具箱的函数及其功能目前!国内图书市场上有关!"#$"%方面的书籍要么侧重于!"#$"%语言编程介绍!要么侧重于各种工具箱函数的解说!而对怎样用工具箱函数来解决实际问题鲜有涉及(本文将对遗传算法工具箱函数进行说明介绍(遗传算法工具箱&’()包括了许多实用的函数!这些函数按照功能可以分为以下几类%!"#主界面函数主程序*"+,提供了遗传算法工具箱与外部的接口(它的函数格式如下%-./012345/%345/#6"708194:;*"<%4=12>!0?"$@A!0?"$(5>!>#"6#345!45#>!#06,@A!#06,(5>!>0$07#@A!>0$07#(5>!.(?06@A>!.(?06(5>!,=#@A>!,=#(5>B输出参数输入参数!"!核心函数及其它函数具体见表C(G遗传算法工具箱应用实例$%&无约束优化问题利用遗传算法计算函数’<(B;(DEF*>G1<H(BDI*74><J(B/的最大值!其中(!-F!K:选择二进制编码!种群中的个体数目为EF!二进制编. 012345 %345#6"708194求得的最优解!包括染色体和适配度最终得到的种群最优种群的搜索轨迹每一代的最好适应度和平均适应度%4=12>0?"$@A0?"$(5>>#"6#34545#>#06,@A#06,(5>>0$07#@A>0$07#(5>.(?06@A.(?06(5>,=#@A,=#(5>变量上下界矩阵!矩阵的行数确定变量个数适应度函数传递给适应度函数的参数!默认值为+ALMM,初始种群选项(一个向量+05>G$41/564%N45>/2G>5$"O,!这里05>G$41表示两代之间的差距#564%N45>取F表示二进制编码!取E表示浮点数编码#2G>5$"O控制运行中是否输出当前群体和最好结果!取F表示运行中不输出!取E表示运行中输出(默认值为+E0P Q/E/F,终止函数的名称!默认值为+R,".&01)06,R,传递给终止函数的参数!默认值为+REFFR,选择函数的名称!默认值为+R146,&04,S0$07#R,传递给选择函数的参数!默认值为+RF+FTR,交叉函数名称表!以空格分开!浮点数编码默认值为+R/"6G#UV4?06/U0=6G>#G7V4?06/>G,5$0V4?06R,!二进制编码默认值为+R>G,5$0V4?06R,传递给交叉函数的参数表!浮点数编码默认值为+RW/F#W/C#W/FR,!二进制编码默认值为+F+Q,变异函数名称表!以空格分开!浮点数编码默认值为+R%4=12"6O!=#"#G41/,=$#GA41L1G9!=#"#G41141/L1G9!=#"#G41=P1G9!=#"#G41R,!二进制编码默认值为+R%G1"6O!=#"#G41R,传递给变异函数的参数表!浮点数编码默认值为+J/F#Q/EFF/C#J/EFF/C#J/F/F,!二进制编码默认值为+F+FH,表:表A码长度为!"!交叉概率为"#$%!变异概率为"#"&"采用’()*的程序清单如下#+编写目标函数文件,-.#/!文件存放在工作目录下"0123.4,256,7!89:7;<,-.=6,7!,-.4,26>?@<6,7=A>$89:7<@BA"C642=%C@>BDC 3,6=EC @>$F 生成初始种群!大小为A"?"424.G,-<424.4:74H8I:=A"!5"?$;!J,-.K>$L 调用遗传算法函数"5@?82MG ,-?NG ,-O.P:38;<I :=5"?$;!K,-.K !5;!424.G ,-!5A8Q R?A?A;!K/:@’82*8P/K !!%!K2,P/’8,/S 8783.K !5"#"&;!5K:P4.TU,98PK;!5!;!K2,2V240W1.:.4,2K !5!?!%?X;>?$经过!%次遗传迭代!运算结果为#!<D#&%RR "=!><!E#&%%E $即当!为D#&%RR 时!"=!>取最大值!E#&%%E "遗传算法一般用来取得近似最优解!另外!遗传算法的收敛性跟其初始值有关!大家运行上面的命令所得到的结果可能跟我的结果不同或是差别很大!但多执行几次上面的命令%随机取不同的初始群体&一定可以得到近似最优解"#$%有约束优化问题考虑如下问题#/42"=!><=!A Q !>!B=!!Q A>!6#.#&A =!><!A Q !!!BA !"&!=!><!!A EQ !!!BA !"本例中存在两个不等式约束!因此我们需要把有约束问题转换成无约束问题来求解"近年来提出了多种用遗传算法满足约束的技术!工程中常用的策略是惩罚策略!通过惩罚不可行解!将约束问题转换为无约束问题"惩罚项的适值函数一般有加法和乘法两种构造方式!本例采用加法形式的适值函数!惩罚函数由两部分构成!可变乘法因子和违反约束乘法"种群中的个体数目为A""!实数编码!交叉概率为"#$%!变异概率为"#"&"遗传算法求的是函数的极大值!因此在求极小值问题时!需将极大值问题转换为极小值问题求解"采用’()*的程序清单如下#Y 编写目标函数文件04.#/!文件存放在工作目录下"0123.4,256,7!89:7;<04.=6,7!,-.4,26>?@A<6,7=A>$@!<6,7=!>$PA<"#A $P!<"#&$Z 约束条件IA<@AQ !C @!BA $I!<@A#[!\EQ @!#[!BA $Z 加惩罚项的适值40?=IA]<">^=I!]<">89:7<=@AQ !>#[!B=@!Q A>#[!$876889:7<=@AQ !>#[!B=@!Q A>#[!BPAC I ABP!CI!$89:7<Q 89:7$82M_设置参数边界!本例边界为!O "N,12M6<,286%!!A &C5Q A !A;$‘调用遗传算法函数"5@O82MG,-ONG,-O.P:38;<I:=N,12M6!KW42K>O $a 性能跟踪"-7,.=.P:38=b !A>!.P:38=b !X>!KPQ K>$T,7MO,2-7,.=.P:38=b !A>!.P:38=b !!>!KNC K>$@7:N87=K’828P:.4,2K>cOd7:N87=Ke4..2866K>$f8I82M=K 解的变化K !K 种群平均值的变化K>$经过A""次遗传迭代!运算结果为#!<O5AOA;$此时极小值89:7=!><A $I A =!><"$I !!!><"#!%!显然最优解满足约束条件"!结论遗传算法工具箱功能强大!包括了大量的算子函数!提供各种类型的选择策略!交叉’变异的方式!适用于各类不同的实际问题"由于大多数实际问题都是有约束条件的!所以!用遗传算法处理约束条件的方法仍属于难点问题!需要进一步的研究和探讨"(参考文献)(")高尚#基于$%&’%(遗传算法优化工具箱的优化计算())*微型电脑应用!+,,+!"-.-/#0+102*(+)姜阳!孔峰*基于$%&’%(遗传算法工具箱的控制系统设计仿真())*广西工学院学报!+,,"!"+.23#41-*(5)飞思科技产品研发中心*$%&’%(4*0辅助优化计算与设计($)*北京#电子工业出版社!+,,5*%编辑阳光&作者简介#于玲%A$D$Q &!女!硕士!主要从事机电液一体化的教学及科研工作"收稿日期#!""EQ "DQ "R!!!!!!!!!!初始化函数424.4:74H8,I :#/P,178..8#/2,P/’8,/S 8783.#/.,1P2S 8783.#/64/-78U,98P#/3d3743U,98P#/7428PU,98P#/7428P,PM8PU,98P#/N,12M:PdW1.:.4,2#/2,2V240W1.:.4,2#//:@’82*8P/#/,-.W:@’82*8P/#/0!N#/N!0#/变异交叉二进制格式和浮点数格式的初始化函数有序数据的初始化函数常用的轮盘赌法基于归一化的优先选择法竞争选择法二进制格式或浮点数格式的交叉函数有序数据的交叉函数!可以将演化函数组合使用浮点数格式的变异函数主程序I :#/用来判断是否满足终止条件用来计算遗传算法满足精度要求时!染色体所需要的二进制位数用来完成二进制数和浮点数之间的相互转换选择函数终止函数二进制表示函数演化函数3:73N4.6#/424.4:74H8I :#/表"。
使用MATLAB遗传算法工具实例
使用MATLAB遗传算法工具实例MATLAB中提供了一种用于优化问题的遗传算法工具箱，可以帮助用户通过遗传算法来寻找最优解。
下面是一个示例，展示了如何使用MATLAB遗传算法工具箱解决一个简单的优化问题。
假设我们要求解以下函数的最大值：f(x)=x^2，其中x的取值范围在[-10,10]之间。
首先，我们需要定义适应度函数，即用来评估个体适应度的函数。
在本例中，适应度函数可以直接使用目标函数，即f(x)=x^2、在MATLAB中，我们可以使用函数句柄来定义适应度函数：```matlabfunction fitness = fitnessFunction(x)fitness = x^2;end```接下来，我们需要配置遗传算法的参数。
我们可以使用`gaoptimset`函数来创建一个参数结构体，并设置算法的各个参数：```matlaboptions = gaoptimset('PopulationSize', 50, 'Generations', 100, 'FitnessLimit', 1e-6, 'StallGenLimit', 10);```上述代码将设置种群大小为50，迭代次数为100，适应度极限为1e-6（即当适应度较小时停止迭代），最大迭代代数为10（即如果连续10代迭代没有改进，则停止迭代）。
接下来，我们需要调用`ga`函数来运行遗传算法并求解最优解。
我们可以使用以下代码来实现：```matlab```最后，我们可以打印出最优解及其目标函数值：```matlabdisp(['Optimal solution: x = ' num2str(x) ', f(x) = 'num2str(fval)]);```上述代码中，`num2str`函数用于将数字转换为字符串，然后使用`disp`函数打印出最优解和目标函数值。
matlab遗传算法工具箱及其应用
函数crtbp
crtbp % 创建二进制串染色体 ① 创建一个长度为9、有6个个体的随机种群。 [Chrom,Lind,BaseV] = crtbp (6,9)
8
函数crtbp
② 创建一长度为9有6个个体的随机种群，这里前四个基因 位是基本字符{0，1，2，3，4，5，6，7}，后五个基因位是 基本字符{0，1，2，3}。 BaseV = crtbase([4 5], [8 4]); [Chrom,Lind,BaseV] = crtbp(6,BaseV) ; 或 [Chrom,Lind,BaseV] = crtbp(6,[8 8 8 8 4 4 4 4 4]);
23
函数 reins
（1）下面的程序代码为在6个个体的父代种群中插入子代种 群。 FieldDR1=[-10,-5,-3,-1;10,5,3,1]; % 定义边界变量 Chrom=crtrp(6,FieldDR1); % 产生6个个体的父代种群
24
函数 reins
（2）FieldDR2=[-100,-50,-30,-20;100,50,30,20]; % 定义 边界变量 SelCh=crtrp(2,FieldDR2); % 产生2个个体的子代种群
26
函数 rws
轮盘赌选择方法举例。考虑8个个体的种群，假设已计算出 适应度FitnV： FitnV = [1.50; 1.35; 1.21; 1.07; 0.92; 0.78; 0.64; 0.5] 选择6个个体的索引： NewChrIx = rws(FitnV,6) FitnV(NewChrIx,:)
20
函数 reins
功能：重插入子代到种群。 格式：① Chrom = reins(Chrom,SelCh) ② Chrom = reins(Chrom,SelCh,SUBPOP) ③ Chrom = reins(Chrom,SelCh,SUBPOP,InsOpt,ObjVCh) ④ [Chrom,ObjVCh]= reins(Chrom,SelCh,SUBPOP,InsOpt,ObjVCh,ObjVSel) 详细说明：reins完成插入子代到当前种群，用子代代替父代 并返回结果种群。子代包含在矩阵SelCh中，父代在矩阵 Chrom中，Chrom和Selch中每一行对应一个个体。 SUBPOP是一可选参数，指明Chrom和SelCh中子种群的个 数。如果SUBPOP省略或为NaN，则假设SUBPOP=1。在 Chrom和SelCh中每个子种群必须具有相同大小。
使用MATLAB遗传算法工具实例(详细)
最新发布的MATLAB 7.0 Release 14已经包含了一个专门设计的遗传算法与直接搜索工具箱（Genetic Algorithm and Direct Search Toolbox，GADS）。
使用遗传算法与直接搜索工具箱，可以扩展MATLAB及其优化工具箱在处理优化问题方面的能力，可以处理传统的优化技术难以解决的问题，包括那些难以定义或不便于数学建模的问题，可以解决目标函数较复杂的问题，比如目标函数不连续、或具有高度非线性、随机性以及目标函数没有导数的情况。
本章8.1节首先介绍这个遗传算法与直接搜索工具箱，其余各节分别介绍该工具箱中的遗传算法工具及其使用方法。
8.1 遗传算法与直接搜索工具箱概述本节介绍MATLAB的GADS（遗传算法与直接搜索）工具箱的特点、图形用户界面及运行要求，解释如何编写待优化函数的M文件，且通过举例加以阐明。
8.1.1 工具箱的特点GADS工具箱是一系列函数的集合，它们扩展了优化工具箱和MATLAB数值计算环境的性能。
遗传算法与直接搜索工具箱包含了要使用遗传算法和直接搜索算法来求解优化问题的一些例程。
这些算法使我们能够求解那些标准优化工具箱范围之外的各种优化问题。
所有工具箱函数都是MATLAB的M文件，这些文件由实现特定优化算法的MATLAB语句所写成。
使用语句type function_name就可以看到这些函数的MATLAB代码。
我们也可以通过编写自己的M文件来实现来扩展遗传算法和直接搜索工具箱的性能，也可以将该工具箱与MATLAB的其他工具箱或Simulink结合使用，来求解优化问题。
工具箱函数可以通过图形界面或MATLAB命令行来访问，它们是用MATLAB语言编写的，对用户开放，因此可以查看算法、修改源代码或生成用户函数。
遗传算法与直接搜索工具箱可以帮助我们求解那些不易用传统方法解决的问题，譬如表查找问题等。
遗传算法与直接搜索工具箱有一个精心设计的图形用户界面，可以帮助我们直观、方便、快速地求解最优化问题。
matlab-遗传算法工具箱函数及实例讲解
matlab-遗传算法工具箱函数及实例讲解最近研究了一下遗传算法，因为要用遗传算法来求解多元非线性模型。
还好用遗传算法的工具箱予以实现了，期间也遇到了许多问题。
首先，我们要熟悉遗传算法的基本原理与运算流程。
基本原理：遗传算法是一种典型的启发式算法，属于非数值算法范畴。
它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。
它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。
遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。
从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。
如此模仿生命的进化进行不断演化，直到满足期望的终止条件。
运算流程：Step1：对遗传算法的运行参数进行赋值。
参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。
Step2：建立区域描述器。
根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设置变量的取值范围。
Step3：在Step2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。
Step4：执行比例选择算子进行选择操作。
Step5：按交叉概率对交叉算子执行交叉操作。
Step6：按变异概率执行离散变异操作。
Step7：计算Step6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。
Step8：判断是否满足遗传运算的终止进化代数，不满足则返回Step4，满足则输出运算结果。
其次，运用遗传算法工具箱。
运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算法工具箱GATB某、GAOT以及MathWork公司推出的GADS。
实际上，GADS就是大家所看到的Matlab中自带的工具箱。
遗传算法的Matlab实现讲解
y_mean(i)=mean(fitvalue+Cmin); %第i代平均适应度
pop=newpop; end fplot('2*x+10*sin(5*x)+7*cos(4*x)',[0 10]) hold on plot(x,y,'r*') hold off
temp1=decodechrom(pop,1,chromlength); %将pop每行转化成十进制数
x=temp1*(Xmax-Xmin)/(2^chromlength-1); %将十进制域 中的数转化为变 量域 的数 objvalue=2*x+10*sin(5*x)+7*cos(4*x); %计算目标函数值
Matlab编程实现GA
计算目标函数值
计算目标函数值 % calobjvalue.m函数的功能是实现目标函数的计算，其公式采用本文示 例仿真，可根据不同优化问题予以修改。 %遗传算法子程序
%Name: calobjvalue.m
%实现目标函数的计算 function [objvalue]=calobjvalue(pop,chromlength,Xmax,Xmin)
bestindividual=pop(1,:);
bestfit=fitvalue(1); for i=2:px
if fitvalue(i)>bestfit
bestindividual=pop(i,:); bestfit=fitvalue(i);
利用MATLAB实现遗传算法和MATLAB神经网络工具箱的使用
实验一利用MATLA实现遗传算法一、实验目的1、熟悉MATLA语言编程环境2、掌握MATLA语言命令3、学会利用MATLA编程实现遗传算法二、实验原理MATLA是美国Math Works公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，MATLA可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计等领域。
通过学习遗传算法原理，使用 MATLA编写程序，实现其求解策略。
三、实验内容通过MATLA编程，利用遗传算法求解：f (x) 200exp( 0.05x)sin(x), 求maxf (x)，x [-2,2] .三、实验要求1 、程序设计2、调试3、实验结果4、撰写实验报告实验二MATLAB申经网络工具箱的使用一、实验目的1、掌握MATLA语言命令2、提高MATLA程序设计能力3、学会使用MATLA申经网络工具箱二、实验原理MATLA语言是Math Works公司推出的一套高性能计算机编程语言，集数学计算、图形显示、语言设计于一体，其强大的扩展功能为用户提供了广阔的应用空间。
它附带有 30多个工具箱，申经网络工具箱就是其中之一。
利用该工具箱可以方便的构建申经网络的结构模型、设计、训练等，实现申经网络算法。
三、实验内容通过MATLA编程，利用神经网络工具箱预测公路运量：公路运量主要包括公路客运量和公路货运量两个方面。
据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，上表给出了该地区20年的公路运量相关数据。
根据有关部门数据，该地区2010和2011 年的人数分别为73.39 和75.55 万人，机动车数量分别为3.9635 和4.0975 万辆，公路面积分别为0.9880和1.0268万平方千米。
请利用BP网络预测该地区2010和2011 年的公路客运量和公路货运量。
某地区20年公路运量数据三、实验要求1、程序设计2、调试3、实验结果4、撰写实验报告运用遗传算法求解函数最大值：所有的子程序为M文件%子程序：计算适应度函数，函数名称存储为fitnessfu.m function[Fitvalue,sumsump]=fitnessfun(population); global BitLengthglobal boundsbeginIfCroIfMut.mglobal boundsendpopsize=size(population,1); for i=1:popsizex=transform2to10(population(i,:));xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1); Fitvalue(i)=targetfun(xx); endFitvalue(i)=Fitvalue'+230; fsum=sum(Fitvalue);Pperpopulation=Fitvalue/fsum; cumsump(1)=Pperpopulation(1); for i=2:popsizecumsump(i)=cumsumo(i-1)+Pperpopulation(i); endcumsump=cumsump';%子程序：新种群交叉操作，函数名称存储为crossover.mfunction scro=crossover(population,seln,pc) BitLength=size(population,2); pcc=IfCroIfMut(pc); if pcc==1chb=round(rand*(BitLength-2))+1;scro(1,:)=[population(seln(1),1:chb),population(seln(2),chb+1:BitLength)]; scro(2,:)=[population(seln(2),1:chb),population(seln(1),chb+1:BitLength)]; else scro(1,:)=population(seln(1),:); scro(2,:)=population(seln(2),:); end% 子程序：新种群变异操作，函数名称存储为 mutation.m function snnew=mutation(snew,pmutation); BitLength=size(snew,2); snnew=snew;pmm=IfCroIfMut(pmutation); if pmm==1chb=round(rand*(BitLlength-1))+1; end%子程序：判断遗传运算是否需要进行交叉或变异，函数名称存储为 function pcc=IfCroIfMut(mutORcro); test(1:100)=0;1=round(100*mutORcro); test(1:1)=1; n=round(rand*99)+1; pcc=test(n);%子程序：新种群选择操作，函数名称存储为selection.mfunction seln=selection(population,cumsump);for i=1:2r=rand;prand=cumsump-r;j=1;whlie prand(j)<0j=j+1;end seln(i)=j; end%子程序：将二进制数转换为十进制数，函数名称存储为transform2to10.mfunction x=transform2to10(Population);BitLength=size(Population,2); x=Population(BitLength); for i=1:BitLength-1 x=x+Population(BitLength-i)*power(2,i);end%子程序：对于优化最大值或者极大值函数问题，目标函数可以作为适应度函数，%函数名称存储为targetfun.m function y=targetfun(x); y=200*exp(-0.05*x).*sin(x);涯程序：用遗传算法求解y=200*exp (-0.05*x ) .*sin (x)在[-2 2]区间上的最大值clc;clear all;close all;global BitLengthglobal boundsbeginglobal boundsendbounds=[-2 2];precision=0.0001;boundsbegin=bounds(:,1); boundsend=bounds(:,2);BitLength=cell(log2((boundsend-boundsbegin)'./precision));popsize=50;Generationnmax=12; pcrossover=0.90;pmutation=0.09; population=round(rand(popsize,BitLength));[Fitvalue,cumsump]=fitnessfun(population);cumsump Generation=1;while Generation<Generationnmax+1for j=1:2:popsize seln=selection(population,cumsump);scro=crossover(popuoation,seln,pcrossover);scnew(j,:)=scro(1,:); scnew(j+1,:)=scro(2,:);smnew(j,:)=mutation(scnew(j,:),pmutation); smnew(j+1,:)=mutation(scnew(j+1,:),pmutation); endpopulation=smnew; [Fitvalue,cumsump]=fitnessfun(population);[fmax,nmax]=max(Fitvalue); fmean=mean(Fitvalue);ymax(Generation)=fmax; ymean(Generation)=fmean;x=transform2to10(population(nmax,:));xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1);xmax(Generation)=xx;Generation=Generation+1;endGeneration=Generation-1;Bestpopulation=xx;Besttargetfunvalue=targetfun(xx);figure(1); hand1=plot(1:Generation,ymax);set(hand1,'linestyle','-','linewidth',1.8,'marker','*','markersize',6) hold on;hand2=polt(1:Generation,ymean);set(hand2,'color','linestyle','linewidth',1.8,'marker','h','mrkersize',6) xlabel;ylabel; xlim([1 Generationnmax]);legend;box off; hold off附件二(参考程序)利用神经网络工具箱预测公路运量：为了了解利用BP网络求解问题的过程，把问题分为六个模块处理： 1.原始数据的输入；2.数据归一化；3.网络训练；4.对原始数据进行仿真； 5.将原始数据仿真的结果与已知样本进行对比； 6. 对新数据进行仿真。
MATLAB中的遗传算法及其应用示例
MATLAB中的遗传算法及其应用示例引言：遗传算法是一种基于自然进化规律的优化方法，适用于求解复杂的问题。
作为MATLAB的重要工具之一，遗传算法在各个领域的优化问题中被广泛应用。
本文将介绍MATLAB中的遗传算法的原理及其应用示例。
一、遗传算法的原理遗传算法（Genetic Algorithm, GA）是一种基于进化的搜索算法，源于对达尔文进化论的模拟。
它模拟了自然界中生物个体基因遗传和自然选择的过程，通过优胜劣汰和进化操作寻找问题的最优解。
遗传算法的基本步骤包括：初始化种群、适应度评估、选择、交叉、变异和进化终止准则。
在初始化阶段，种群中的个体由一组基因表示，基因可以是二进制、实数或其他形式。
适应度评估阶段根据问题的特定要求对每个个体进行评估。
选择操作通过适应度大小选择出较优的个体，形成下一代种群。
交叉操作模拟自然界中的基因交换过程，将不同个体的基因进行组合。
变异操作引入新的基因，增加种群的多样性。
经过多次迭代后，算法会逐渐收敛，并得到一个近似的最优解。
二、遗传算法的应用示例：函数优化遗传算法在函数优化问题中有广泛应用。
以一个简单的函数优化问题为例，假设我们要求解以下函数的最小值：f(x) = x^2 + 5sin(x)首先，我们需要定义适应度函数，即f(x)在给定范围内的取值。
接下来，我们需要设置参数，例如种群数量、交叉概率和变异概率等。
然后，我们可以利用MATLAB中的遗传算法工具箱，通过以下步骤实现函数的最小化求解：1. 初始化种群：随机生成一组个体，每个个体表示参数x的一个取值。
2. 适应度评估：计算每个个体在函数中的取值，得到适应度。
3. 选择：根据适应度大小选择优秀的个体。
4. 交叉：随机选择两个个体进行基因交叉。
5. 变异：对个体的基因进行变异操作，引入新的基因。
6. 迭代：重复步骤2至步骤5，直到达到迭代终止条件。
通过上述步骤，我们可以较快地找到给定函数的最小值。
在MATLAB中，我们可以使用遗传算法工具箱的相关函数来实现遗传算法的迭代过程，如'ga'函数。
matlab遗传算法实例
matlab遗传算法实例Matlab遗传算法实例引言：遗传算法是一种模拟自然进化过程的优化算法，它通过模拟优胜劣汰、基因交叉和变异等自然选择机制，来寻找问题的最优解。
在Matlab中，我们可以利用遗传算法工具箱来快速实现遗传算法，并解决各种实际问题。
本文将介绍一个基于Matlab的遗传算法实例，以帮助读者更好地理解和应用遗传算法。
一、问题描述假设我们要在一个由0和1组成的二进制串中寻找最优解。
具体而言，我们定义了一个目标函数，目标函数的输入是一个二进制串，输出是一个实数值。
我们的目标是找到一个二进制串，使得目标函数的输出值最大化。
二、遗传算法的基本原理遗传算法是基于自然进化过程的优化算法，它的基本原理如下：1. 初始化种群：随机生成一组二进制串作为初始种群。
2. 评估适应度：根据目标函数计算每个个体的适应度值。
3. 选择操作：根据适应度值选择优秀个体作为父代，进行繁殖。
4. 交叉操作：对选出的父代个体进行基因交叉，生成新的子代个体。
5. 变异操作：对子代个体进行基因变异，引入新的基因信息。
6. 更新种群：用子代替换父代，生成新的种群。
7. 终止条件判断：判断是否满足终止条件，若满足则输出最优解，否则返回第3步。
三、Matlab代码实现以下是一个简单的Matlab代码实例，用于求解上述问题：```matlab% 目标函数定义function y = fitnessFunc(x)y = sum(x);end% 遗传算法主函数function [bestSolution, bestFitness] = geneticAlgorithm(popSize, numGen, pc, pm)% 初始化种群population = round(rand(popSize, numGen));% 迭代进化for t = 1:numGen% 评估适应度fitness = arrayfun(@fitnessFunc, population);% 选择操作[~, sortedIdx] = sort(fitness, 'descend');eliteIdx = sortedIdx(1:round(popSize/2));elite = population(eliteIdx, :);% 交叉操作crossIdx = rand(popSize, 1) < pc;crossPairs = reshape(population(crossIdx, :), [], 2);crossPoints = randi(numGen-1, size(crossPairs, 1), 1) + 1;offsprings = [elite; arrayfun(@(i) [crossPairs(i, 1:crossPoints(i)), crossPairs(i, crossPoints(i)+1:end)], 1:size(crossPairs, 1), 'UniformOutput', false)];population = vertcat(offsprings{:});% 变异操作mutateIdx = rand(popSize, numGen) < pm;population(mutateIdx) = 1 - population(mutateIdx);end% 输出结果fitness = arrayfun(@fitnessFunc, population);[bestFitness, bestIdx] = max(fitness);bestSolution = population(bestIdx, :);end% 调用遗传算法求解最优解popSize = 100; % 种群大小numGen = 100; % 进化代数pc = 0.8; % 交叉概率pm = 0.01; % 变异概率[bestSolution, bestFitness] = geneticAlgorithm(popSize, numGen, pc, pm);```四、实验结果与讨论根据上述Matlab代码实例，我们可以得到一个最优解，即一个二进制串。
使用MATLAB遗传算法工具实例详细
遗传算法与直接搜索工具箱与ＭATLＡＢ及优化工具箱是紧密结合在一起的。用户可以用遗传算法或直接搜索算法来寻找最佳起始点,然后利用优化工具箱或用ＭATLAB程序来进一步寻找最优解。通过结合不同的算法,可以充分地发挥MATLAB和工具箱的功能以提高求解的质量。对于某些特定问题,使用这种方法还可以得到全局(最优)解。
遗传算法与直接搜索工具箱可以帮助我们求解那些不易用传统方法解决的问题,譬如表查找问题等。
遗传算法与直接搜索工具箱有一个精心设计的图形用户界面,可以帮助我们直观、方便、快速地求解最优化问题。
8.１.１.1功能特点
遗传算法与直接搜索工具箱的功能特点如下:
(1)图形用户界面和命令行函数可用来快速地描述问题、设置算法选项以及监控进程。
工具箱需要如下产品支持：(1)MATLAB。(2)优化工具箱。
8．１.１．6相关产品
与遗传算法与直接搜索工具箱相关的产品有:
(1)统计工具箱——应用统计算法和概率模式。
(2)神经网络工具箱——设计和仿真神经网络。
(3)模糊逻辑工具箱——设计和仿真基于模糊逻辑的系统。
(4)金融工具箱——分析金融数据和开发金融算法。
GADS工具箱是一系列函数的集合，它们扩展了优化工具箱和MAＴLＡB数值计算环境的性能。遗传算法与直接搜索工具箱包含了要使用遗传算法和直接搜索算法来求解优化问题的一些例程。这些算法使我们能够求解那些标准优化工具箱范围之外的各种优化问题。所有工具箱函数都是MＡTLＡB的M文件，这些文件由实现特定优化算法的MATLAB语句所写成。
８．１.１.7所需的系统及平台
遗传算法和直接搜索工具箱对于对于运行环境、支持平台和系统的需求，可随时通过访问网站hｔtｐ:/／了解最新发布的信息。
Matlab技术在遗传算法中的应用案例
Matlab技术在遗传算法中的应用案例引言遗传算法是一种模拟自然选择和遗传机制的优化算法，被广泛应用于寻优问题。
与其他优化算法相比，遗传算法具有强大的全局寻优能力和并行搜索能力。
而Matlab作为一款功能完备的数学软件，提供了丰富的工具箱和函数，极大地方便了遗传算法的实施和优化。
本文将通过介绍两个案例，展示Matlab技术在遗传算法中的应用。
案例一：TSP旅行商问题旅行商问题是一个经典的组合优化问题，即寻找最短路径，使得旅行商能够依次访问所有城市并回到起点。
在这个案例中，我们将使用遗传算法来解决TSP问题，并展示Matlab技术的应用。
首先，我们需要定义遗传算法的编码方式。
在TSP问题中，常用的编码方式是整数编码和二进制编码。
这里我们选择二进制编码，即将每个城市表示为一个二进制串。
然后，我们需要定义适应度函数，即计算染色体的优劣程度。
在TSP中，适应度函数可以定义为路径的总长度。
接下来，我们需要定义遗传算法的进化过程，包括选择、交叉和变异等操作。
在Matlab中，我们可以利用遗传算法工具箱提供的函数来实现这些操作。
在实施过程中，我们可以使用Matlab绘制城市分布图和优化路径图，以直观地展示算法的优化效果。
此外，Matlab还可以进行多次实验，对比不同参数设置和操作策略的效果，进一步优化算法结果。
案例二：多目标优化问题除了单目标优化问题，遗传算法还可以很好地解决多目标优化问题。
在这个案例中，我们将介绍如何利用Matlab技术解决多目标优化问题。
首先，我们需要定义多目标优化问题的目标函数。
然后，我们可以使用Matlab中的多目标遗传算法工具箱来解决问题。
这个工具箱提供了多个多目标优化算法，包括NSGA-II、MOEA/D等。
我们可以根据问题的特点选择合适的算法进行求解。
在实施过程中，我们可以使用Matlab绘制多目标优化结果的Pareto前沿图，以直观地展示解的分布情况。
此外，Matlab还提供了多种多目标优化性能指标的计算方法，如Hypervolume、Generational Distance等，用于评估算法的优劣。
（实例）matlab遗传算法工具箱函数及实例讲解
（实例）matlab遗传算法工具箱函数及实例讲解matlab遗传算法工具箱函数及实例讲解核心函数：(1)function[pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数【输出参数】pop--生成的初始种群【输入参数】num--种群中的个体数目bounds--代表变量的上下界的矩阵eevalFN--适应度函数eevalOps--传递给适应度函数的参数options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如precision--变量进行二进制编码时指定的精度F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度)(2)function [x,endPop,bPop,traceInfo] =ga(bounds,evalFN,evalOps,startPop,opts,...termFN,termOps,selectFN,selectOps,xOverFNs,xOverO ps,mutFNs,mutOps)--遗传算法函数【输出参数】x--求得的最优解endPop--最终得到的种群bPop--最优种群的一个搜索轨迹【输入参数】bounds--代表变量上下界的矩阵evalFN--适应度函数evalOps--传递给适应度函数的参数startPop-初始种群opts[epsilon prob_ops display]--opts(1:2)等同于initializega 的options参数，第三个参数控制是否输出，一般为0。
如[1e-6 1 0] termFN--终止函数的名称,如['maxGenTerm']termOps--传递个终止函数的参数,如[100]selectFN--选择函数的名称,如['normGeomSelect']selectOps--传递个选择函数的参数,如[0.08]xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover']xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0]mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation'] mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]matlab遗传算法工具箱附件【注意】matlab工具箱函数必须放在工作目录下【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08【程序清单】%编写目标函数function[sol,eval]=fitness(sol,options)x=sol(1);eval=x+10*sin(5*x)+7*cos(4*x);%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代运算结果为：x =7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)注：遗传算法一般用来取得近似最优解，而不是最优解。
使用MATLAB遗传算法工具实例详细
使用MATLAB遗传算法工具实例详细最新发布的MATLAB Release 14已经包含了一个专门设计的遗传算法与直接搜索工具箱（Genetic Algorithm and Direct Search Toolbox，GADS）。
使用遗传算法与直接搜索工具箱，可以扩展MATLAB 及其优化工具箱在处理优化问题方面的能力，可以处理传统的优化技术难以解决的问题，包括那些难以定义或不便于数学建模的问题，可以解决目标函数较复杂的问题，比如目标函数不连续、或具有高度非线性、随机性以及目标函数没有导数的情况。
本章节首先介绍这个遗传算法与直接搜索工具箱，其余各节分别介绍该工具箱中的遗传算法工具及其使用方法。
遗传算法与直接搜索工具箱概述本节介绍MATLAB的GADS（遗传算法与直接搜索）工具箱的特点、图形用户界面及运行要求，解释如何编写待优化函数的M文件，且通过举例加以阐明。
8.1.1 工具箱的特点GADS工具箱是一系列函数的集合，它们扩展了优化工具箱和MATLAB数值计算环境的性能。
遗传算法与直接搜索工具箱包含了要使用遗传算法和直接搜索算法来求解优化问题的一些例程。
这些算法使我们能够求解那些标准优化工具箱范围之外的各种优化问题。
所有工具箱函数都是MATLAB的M文件，这些文件由实现特定优化算法的MATLAB语句所写成。
使用语句type function_name就可以看到这些函数的MATLAB代码。
我们也可以通过编写自己的M文件来实现来扩展遗传算法和直接搜索工具箱的性能，也可以将该工具箱与MATLAB的其他工具箱或Simulink结合使用，来求解优化问题。
工具箱函数可以通过图形界面或MATLAB命令行来访问，它们是用MATLAB语言编写的，对用户开放，因此可以查看算法、修改源代码或生成用户函数。
遗传算法与直接搜索工具箱可以帮助我们求解那些不易用传统方法解决的问题，譬如表查找问题等。
遗传算法与直接搜索工具箱有一个精心设计的图形用户界面，可以帮助我们直观、方便、快速地求解最优化问题。
matlab遗传算法ga工具箱调用gpu运算
matlab遗传算法ga工具箱调用gpu运算全文共四篇示例，供读者参考第一篇示例：Matlab是一个强大的科学计算工具，而遗传算法（Genetic Algorithm，GA）被广泛应用于优化问题的求解。
在大规模优化问题中，GA的求解速度往往是一个瓶颈，为了加速GA的求解过程，可以利用GPU进行并行计算。
在Matlab中，可以通过GPU进行加速的工具箱，称为Parallel Computing Toolbox。
本文将介绍如何利用Matlab的Parallel Computing Toolbox和GA工具箱结合起来，实现GPU加速GA的求解过程。
我们需要在Matlab中安装Parallel Computing Toolbox和GA 工具箱。
在安装完成后，就可以开始编写适用于GPU加速的GA程序了。
在编写程序时，需要注意以下几点：1. 设定GA参数：一般来说，可以设置GA的种群大小、迭代次数、交叉概率、变异概率等参数。
这些参数的设定将直接影响到GA的求解效果和速度。
2. 定义适应度函数：在GA中，适应度函数决定了个体的适应程度，从而影响被选择的几率。
在编写适用于GPU加速的适应度函数时，要注意将计算过程向量化，以便GPU并行计算。
3. 设置GPU运算环境：在Matlab中，可以通过parallel.gpu.GPUDevice函数获取当前可用的GPU设备列表，并选择一个合适的设备进行计算。
在进行GPU计算时，需要将待处理的数据转换为GPU数组，以便GPU并行计算。
4. 调用GA函数并启用GPU加速：在进行GA求解过程中，可以通过设置options参数启用GPU加速。
在调用GA函数时，可以通过设定eParallel参数为true，来启用GPU加速。
下面，我们来看一个简单的例子，演示如何利用Parallel Computing Toolbox和GA工具箱结合GPU加速GA的求解过程。
假设我们要求解一个简单的函数f(x) = x^2 + 5，在区间[-10, 10]内的最小值。
遗传算法优化的matlab案例
遗传算法（Genetic Algorithm，GA）是一种模拟生物进化过程的搜索和优化算法，通过模拟生物的遗传、交叉和变异操作来寻找问题的最优解。
它以一种迭代的方式生成和改进解决方案，并通过评估每个解决方案的适应度来选择下一代解决方案。
在Matlab中，遗传算法优化工具箱提供了方便的函数和工具，可以帮助用户快速开发和实现遗传算法优化问题。
下面，我们以一个简单的最优化问题为例，演示在Matlab中如何使用遗传算法优化工具箱进行优化。
假设我们要优化一个简单的函数f(x)，其中x是一个实数。
我们的目标是找到使得f(x)取得最小值的x值。
具体来说，我们将优化以下函数： f(x) = x² - 4x + 4首先，我们在Matlab中定义目标函数f(x)的句柄（用于计算函数值）和约束条件（如果有的话）。
代码如下：function y = testfunction(x)y = x^2 - 4*x + 4;end接下来，我们需要使用遗传算法优化工具箱的函数ga来进行优化。
我们需要指定目标函数的句柄、变量的取值范围和约束条件（如果有的话），以及其他一些可选参数。
以下是一个示例代码：options = gaoptimset('Display', 'iter'); % 设置显示迭代过程lb = -10; % 变量下界ub = 10; % 变量上界[x, fval] = ga(@testfunction, 1, [], [], [], [], lb, ub, [], options);在上面的代码中，gaoptimset函数用于设置遗传算法的参数。
在这里，我们使用了可选参数'Display'，它的值设置为'iter'，表示显示迭代过程。
变量lb和ub分别指定了变量的取值范围，我们在这里将其设置为-10到10之间的任意实数。
横线[]表示没有约束条件。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
引用 matlab遗传算法工具箱函数及实例讲解 郭玲霞 /purplelily88 2008-10-21 16:52:52
引用 matlab遗传算法工具箱函数及实例讲解
2008-10-20 23:04
郭玲霞
看文章
核心函数：
(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数
【输出参数】
pop--生成的初始种群
【输入参数】
num--种群中的个体数目
bounds--代表变量的上下界的矩阵
eevalFN--适应度函数
eevalOps--传递给适应度函数的参数
options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如 precision--变量进行二进制编码时指定的精度
F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度)
(2)function [x,endPop,bPop,traceInfo] = ga
(bounds,evalFN,evalOps,startPop,opts,...
termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数
【输出参数】
x--求得的最优解
endPop--最终得到的种群
bPop--最优种群的一个搜索轨迹
【输入参数】
bounds--代表变量上下界的矩阵
evalFN--适应度函数
evalOps--传递给适应度函数的参数
startPop-初始种群
opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。
如[1e-6 1 0]
termFN--终止函数的名称,如['maxGenTerm']
termOps--传递个终止函数的参数,如[100]
selectFN--选择函数的名称,如['normGeomSelect'] selectOps--传递个选择函数的参数,如[0.08]
xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover']
xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0]
mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']
mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]
注意】matlab工具箱函数必须放在工作目录下
【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08
【程序清单】
%编写目标函数
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函数存储为fitness.m文件并放在工作目录下
initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1
1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %次遗传迭代
运算借过为：x =
7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)
注：遗传算法一般用来取得近似最优解，而不是最优解。
遗传算法实例2
【问题】在－5<=Xi<=5,i=1,2区间内，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1) +cos(2*pi*x2)))+22.71282的最小值。
【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3
【程序清单】
％源函数的matlab代码
function [eval]=f(sol)
numv=size(sol,2);
x=sol(1:numv);
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)
+22.71282;
%适应度函数的matlab代码
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遗传算法的matlab代码
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
注：前两个文件存储为m文件并放在工作目录下，运行结果为
p =
0.0000 -0.0000 0.0055
大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。
matlab命令行执行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])
本文地址：/s/blog_4ea081e40100aygy.html
所属分类：杂谈
相关评论：0
阅读次数：107
郭玲霞总访问次数:3323。