用于查找遗传算法的 MATLAB 程序

function my_ga()

options=gaoptimset;

设置变量的范围。

options=gaoptimset(options,'popinitrange',[0;9]);

设置人口规模。

options=gaoptimset(options,'populationsize',100);

设置迭代次数。

options=gaoptimset(options,'generations',100);

选择选择选择的功能。

options=gaoptimset(options,'selectionfcn',@selectionroulette);

选择分频功能。

options=gaoptimset(options,'crossoverfcn',@crossoverarithmetic);

选择变异函数。

options=gaoptimset(options,'mutationfcn',@mutationuniform);

设置图：解决方案的变化，总体平均值的变化。

options=gaoptimset(options,'plotfcns',);

执行遗传算法，这是一个函数文件。

x,fval]=ga(@fitness,1,options)

我有一个简单的，房东留下了一个电子邮件地址。

（1） 首先计算所有个体的健身指数总和。

2）其次，计算每个单独的fifi的相对适应度大小，类似于softmax。

3） 生成一个介于 0 和 1 之间的随机数，并根据随机数出现在哪个概率区域确定每个个体被选中的次数。

4）交叉（配接）操作。这一步是遗传算法中产生新个体的主要操作过程，它使用一定的交配概率阈值（PC，一般来控制是否采取单点杂交、多点杂交等方式来产生新的杂交个体。

具体步骤如下：（1）先随机配对组。 （2）然后随机设置交叉点的位置。 （3）在染色体之间重新交换一些基因。

5）变化操作。此步骤是生成新个体的另一项操作。 一般先随机生成突变点，然后根据突变概率阈值（PM）逆转突变点的原始基因。

1. 打开 MATLAB 软件。

2. 设置一个m文件，用于计算一个拟合度的单个输出值的适应度函数，输入就是要优化的参数。

3. 输入“gatool”命令打开工具箱。

5.输入健身功能，以及要优化的悲惨数量，以及其他一些设置，应根据任务决定。

使用 ga（） 遗传算法函数时，除了考虑 x1 和 x2 的上下限外，还应该考虑增加 ymax<200 的限制，即。

根据此要求进行修改，即可获得运行。

x 1= ； x 2= ；y=

原理大致是设定一个初始种群，种群中的个体是平滑因子，经过遗传算法的选择、杂交、突变，逐渐找到最优传播，即为最终结果。

遗传算法的基本操作流程如下：

a） 初始化：设置进化代数计数器 t=0，设置最大进化代数 t，随机生成 m 个个体作为初始种群 p（0）。

b） 个体评价：计算个体个体在种群 p（t） 中的适应度。

c） 选择操作：选择操作应用于组。选择的目的是将优化的个体直接传递给下一代，或者通过配对和杂交产生新的个体，然后再传递给下一代。 选择操作基于小组中个人的体能评估。

d） 交叉运算：将交叉运算符应用于组。遗传算法的核心角色是交叉算子。

e） 突变操作：将突变算子应用于种群。也就是说，种群中单个字符串的某些位点的基因值发生了变化。

经过选择、交叉和突变后获得下一代种群p（t+1）。

f）终止条件判断：如果t=t，则以进化过程中得到的最大拟度为最优解输出的个体，终止计算。

如果您有优化目标，请写出目标函数并直接优化它。

使用遗传算法求最大值的问题可以用这种方式解决。

1.将最大值问题转换为最小值问题，即最大z=-最小z;

2. 构建其自定义函数，即

z=-(f1*40^。。f12*127^

其中：F1，F2，F3,。。F11 和 F12 是 0,1 变量，可以使用 sign（） 表示法函数处理。

3. 使用遗传算法 ga（） 函数求解并使用该方法

objectivef=@ga_func;

nvars=12;

[x, fval] =ga(objectivef,nvars)

4.编程运行后获取

f1=1,f2=1,f3=1,f4=0,f5=1,f6=0,f7=1,f8=1,f9=1,f10=1,f11=1,f12=1

zmax=

本书系统介绍了MATLAB遗传算法和直接搜索工具箱的功能特点、编程原理和使用方法。 全书共分9章。 第1章至第4章介绍了遗传算法的基本知识，包括遗传算法的基本原理、编码、选择、交叉、变异、适应度函数、控制参数选择、约束处理、模式定理、改进遗传算法、早熟收敛问题及其预防等。

第 5 章至第 7 章介绍了英国谢菲尔德大学的 MATLAB Genetic Algorithm Toolbox 及其使用方法，并说明了如何使用 Genetic Algorithm Toolbox 函数编写 MATLAB 程序以解决实际优化问题。 第 8 章和第 9 章介绍了 Mathworks 新发布的 MATLAB 遗传算法和 Direct Search Toolbox 及其使用方法。

本书内容新颖，内容丰富，逻辑严谨，语言通俗，理论实例相结合，质量丰富，注重基础和应用。 本书包含大量示例，易于学习和自行应用。