MATLAB编遗传算法源程序
求matlab编的遗传算法源程序，用于求解带约束的优化问题。要源程序啊，不要使用matlab工具箱的。谢谢啊 。我给我全部的分数。
我的邮箱为：513169456@qq.com
不是啊.我不想用工具箱啊,要是自己编写的matlab原程序啊,要不给推荐一个好的学遗传算法的论坛也行.先谢谢啦
遗传算法实例:
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
% 下面举例说明遗传算法 %
% 求下列函数的最大值 %
% f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] %
% 将 x 的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为 (10-0)/(2^10-1)≈0.01 。 %
% 将变量域 [0,10] 离散化为二值域 [0,1023], x=0+10*b/1023, 其中 b 是 [0,1023] 中的一个二值数。 %
% %
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
% 编程
%-----------------------------------------------
% 2.1初始化(编码)
% initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
% 长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name: initpop.m
%初始化
function pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength)); % rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵，
% roud对矩阵的每个单元进行圆整。这样产生的初始种群。
% 2.2 计算目标函数值
% 2.2.1 将二进制数转化为十进制数(1)
%遗传算法子程序
%Name: decodebinary.m
%产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制
function pop2=decodebinary(pop)
[px,py]=size(pop); %求pop行和列数
for i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2); %求pop1的每行之和
% 2.2.2 将二进制编码转化为十进制数(2)
% decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
% (对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
% 参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name: decodechrom.m
%将二进制编码转换成十进制
function pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
% 2.2.3 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)
temp1=decodechrom(pop,1,10); %将pop每行转化成十进制数
x=temp1*10/1023; %将二值域 中的数转化为变量域 的数
objvalue=10*sin(5*x)+7*cos(4*x); %计算目标函数值
% 2.3 计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
function fitvalue=calfitvalue(objvalue)
global Cmin;
Cmin=0;
[px,py]=size(objvalue);
for i=1:px
if objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
% 2.4 选择复制
% 选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
% 根据方程 pi=fi/∑fi=fi/fsum ，选择步骤：
% 1） 在第 t 代，由（1）式计算 fsum 和 pi
% 2） 产生 {0,1} 的随机数 rand( .)，求 s=rand( .)*fsum
% 3） 求 ∑fi≥s 中最小的 k ，则第 k 个个体被选中
% 4） 进行 N 次2）、3）操作，得到 N 个个体，成为第 t=t+1 代种群
%遗传算法子程序
%Name: selection.m
%选择复制
function [newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue); %求适应值之和
fitvalue=fitvalue/totalfit; %单个个体被选择的概率
fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4]，则 cumsum(fitvalue)=[1 3 6 10]
[px,py]=size(pop);
ms=sort(rand(px,1)); %从小到大排列
fitin=1;
newin=1;
while newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
% 2.5 交叉
% 交叉(crossover)，群体中的每个个体之间都以一定的概率 pc 交叉，即两个个体从各自字符串的某一位置
% （一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
% x1=0100110
% x2=1010001
% 从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
% y1＝0100001
% y2＝1010110
% 这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
% 事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name: crossover.m
%交叉
function [newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
% 2.6 变异
% 变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率 pm 翻转，即由“1”变为“0”，
% 或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name: mutation.m
%变异
function [newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:px
if(rand<pm)
mpoint=round(rand*py);
if mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
% 2.7 求出群体中最大得适应值及其个体
%遗传算法子程序
%Name: best.m
%求出群体中适应值最大的值
function [bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for i=2:px
if fitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
% 2.8 主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20; %群体大小
chromlength=10; %字符串长度（个体长度）
pc=0.6; %交叉概率
pm=0.001; %变异概率
pop=initpop(popsize,chromlength); %随机产生初始群体
for i=1:20 %20为迭代次数
[objvalue]=calobjvalue(pop); %计算目标函数
fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue); %复制
[newpop]=crossover(pop,pc); %交叉
[newpop]=mutation(pop,pc); %变异
[bestindividual,bestfit]=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[0 10])
hold on
plot(x,y,'r*')
hold off
[z index]=max(y); %计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
% 下面举例说明遗传算法 %
% 求下列函数的最大值 %
% f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] %
% 将 x 的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为 (10-0)/(2^10-1)≈0.01 。 %
% 将变量域 [0,10] 离散化为二值域 [0,1023], x=0+10*b/1023, 其中 b 是 [0,1023] 中的一个二值数。 %
% %
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
% 编程
%-----------------------------------------------
% 2.1初始化(编码)
% initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
% 长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name: initpop.m
%初始化
function pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength)); % rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵，
% roud对矩阵的每个单元进行圆整。这样产生的初始种群。
% 2.2 计算目标函数值
% 2.2.1 将二进制数转化为十进制数(1)
%遗传算法子程序
%Name: decodebinary.m
%产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制
function pop2=decodebinary(pop)
[px,py]=size(pop); %求pop行和列数
for i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2); %求pop1的每行之和
% 2.2.2 将二进制编码转化为十进制数(2)
% decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
% (对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
% 参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name: decodechrom.m
%将二进制编码转换成十进制
function pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
% 2.2.3 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)
temp1=decodechrom(pop,1,10); %将pop每行转化成十进制数
x=temp1*10/1023; %将二值域 中的数转化为变量域 的数
objvalue=10*sin(5*x)+7*cos(4*x); %计算目标函数值
% 2.3 计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
function fitvalue=calfitvalue(objvalue)
global Cmin;
Cmin=0;
[px,py]=size(objvalue);
for i=1:px
if objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
% 2.4 选择复制
% 选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
% 根据方程 pi=fi/∑fi=fi/fsum ，选择步骤：
% 1） 在第 t 代，由（1）式计算 fsum 和 pi
% 2） 产生 {0,1} 的随机数 rand( .)，求 s=rand( .)*fsum
% 3） 求 ∑fi≥s 中最小的 k ，则第 k 个个体被选中
% 4） 进行 N 次2）、3）操作，得到 N 个个体，成为第 t=t+1 代种群
%遗传算法子程序
%Name: selection.m
%选择复制
function [newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue); %求适应值之和
fitvalue=fitvalue/totalfit; %单个个体被选择的概率
fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4]，则 cumsum(fitvalue)=[1 3 6 10]
[px,py]=size(pop);
ms=sort(rand(px,1)); %从小到大排列
fitin=1;
newin=1;
while newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
% 2.5 交叉
% 交叉(crossover)，群体中的每个个体之间都以一定的概率 pc 交叉，即两个个体从各自字符串的某一位置
% （一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
% x1=0100110
% x2=1010001
% 从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
% y1＝0100001
% y2＝1010110
% 这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
% 事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name: crossover.m
%交叉
function [newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
% 2.6 变异
% 变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率 pm 翻转，即由“1”变为“0”，
% 或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name: mutation.m
%变异
function [newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for i=1:px
if(rand<pm)
mpoint=round(rand*py);
if mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
% 2.7 求出群体中最大得适应值及其个体
%遗传算法子程序
%Name: best.m
%求出群体中适应值最大的值
function [bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for i=2:px
if fitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
% 2.8 主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20; %群体大小
chromlength=10; %字符串长度（个体长度）
pc=0.6; %交叉概率
pm=0.001; %变异概率
pop=initpop(popsize,chromlength); %随机产生初始群体
for i=1:20 %20为迭代次数
[objvalue]=calobjvalue(pop); %计算目标函数
fitvalue=calfitvalue(objvalue); %计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue); %复制
[newpop]=crossover(pop,pc); %交叉
[newpop]=mutation(pop,pc); %变异
[bestindividual,bestfit]=best(pop,fitvalue); %求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[0 10])
hold on
plot(x,y,'r*')
hold off
[z index]=max(y); %计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
参考资料：不记得了，抱歉
温馨提示：内容为网友见解，仅供参考
第1个回答 2020-04-14
遗传算法实例:
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
%
下面举例说明遗传算法
%
%
求下列函数的最大值
%
%
f(x)=10*sin(5x)+7*cos(4x)
x∈[0,10]
%
%
将
x
的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为
(10-0)/(2^10-1)≈0.01
。
%
%
将变量域
[0,10]
离散化为二值域
[0,1023],
x=0+10*b/1023,
其中
b
是
[0,1023]
中的一个二值数。
%
%
%
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
%
编程
%-----------------------------------------------
%
2.1初始化(编码)
%
initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
%
长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name:
initpop.m
%初始化
function
pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));
%
rand随机产生每个单元为
{0,1}
行数为popsize，列数为chromlength的矩阵，
%
roud对矩阵的每个单元进行圆整。这样产生的初始种群。
%
2.2
计算目标函数值
%
2.2.1
将二进制数转化为十进制数(1)
%遗传算法子程序
%Name:
decodebinary.m
%产生
[2^n
2^(n-1)
...
1]
的行向量，然后求和，将二进制转化为十进制
function
pop2=decodebinary(pop)
[px,py]=size(pop);
%求pop行和列数
for
i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2);
%求pop1的每行之和
%
2.2.2
将二进制编码转化为十进制数(2)
%
decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
%
(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
%
参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name:
decodechrom.m
%将二进制编码转换成十进制
function
pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
%
2.2.3
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)
temp1=decodechrom(pop,1,10);
%将pop每行转化成十进制数
x=temp1*10/1023;
%将二值域
中的数转化为变量域
的数
objvalue=10*sin(5*x)+7*cos(4*x);
%计算目标函数值
%
2.3
计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
function
fitvalue=calfitvalue(objvalue)
global
Cmin;
Cmin=0;
[px,py]=size(objvalue);
for
i=1:px
if
objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
%
2.4
选择复制
%
选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
%
根据方程
pi=fi/∑fi=fi/fsum
，选择步骤：
%
1）
在第
t
代，由（1）式计算
fsum
和
pi
%
2）
产生
{0,1}
的随机数
rand(
.)，求
s=rand(
.)*fsum
%
3）
求
∑fi≥s
中最小的
k
，则第
k
个个体被选中
%
4）
进行
N
次2）、3）操作，得到
N
个个体，成为第
t=t+1
代种群
%遗传算法子程序
%Name:
selection.m
%选择复制
function
[newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue);
%求适应值之和
fitvalue=fitvalue/totalfit;
%单个个体被选择的概率
fitvalue=cumsum(fitvalue);
%如
fitvalue=[1
2
3
4]，则
cumsum(fitvalue)=[1
3
6
10]
[px,py]=size(pop);
ms=sort(rand(px,1));
%从小到大排列
fitin=1;
newin=1;
while
newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
%
2.5
交叉
%
交叉(crossover)，群体中的每个个体之间都以一定的概率
pc
交叉，即两个个体从各自字符串的某一位置
%
（一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
%
x1=0100110
%
x2=1010001
%
从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
%
y1＝0100001
%
y2＝1010110
%
这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
%
事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name:
crossover.m
%交叉
function
[newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
%
2.6
变异
%
变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率
pm
翻转，即由“1”变为“0”，
%
或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name:
mutation.m
%变异
function
[newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:px
if(rand<pm)
mpoint=round(rand*py);
if
mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if
any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
%
2.7
求出群体中最大得适应值及其个体
%遗传算法子程序
%Name:
best.m
%求出群体中适应值最大的值
function
[bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for
i=2:px
if
fitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
%
2.8
主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20;
%群体大小
chromlength=10;
%字符串长度（个体长度）
pc=0.6;
%交叉概率
pm=0.001;
%变异概率
pop=initpop(popsize,chromlength);
%随机产生初始群体
for
i=1:20
%20为迭代次数
[objvalue]=calobjvalue(pop);
%计算目标函数
fitvalue=calfitvalue(objvalue);
%计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue);
%复制
[newpop]=crossover(pop,pc);
%交叉
[newpop]=mutation(pop,pc);
%变异
[bestindividual,bestfit]=best(pop,fitvalue);
%求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[0
10])
hold
on
plot(x,y,'r*')
hold
off
[z
index]=max(y);
%计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
%
下面举例说明遗传算法
%
%
求下列函数的最大值
%
%
f(x)=10*sin(5x)+7*cos(4x)
x∈[0,10]
%
%
将
x
的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为
(10-0)/(2^10-1)≈0.01
。
%
%
将变量域
[0,10]
离散化为二值域
[0,1023],
x=0+10*b/1023,
其中
b
是
[0,1023]
中的一个二值数。
%
%
%
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
%
编程
%-----------------------------------------------
%
2.1初始化(编码)
%
initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
%
长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name:
initpop.m
%初始化
function
pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));
%
rand随机产生每个单元为
{0,1}
行数为popsize，列数为chromlength的矩阵，
%
roud对矩阵的每个单元进行圆整。这样产生的初始种群。
%
2.2
计算目标函数值
%
2.2.1
将二进制数转化为十进制数(1)
%遗传算法子程序
%Name:
decodebinary.m
%产生
[2^n
2^(n-1)
...
1]
的行向量，然后求和，将二进制转化为十进制
function
pop2=decodebinary(pop)
[px,py]=size(pop);
%求pop行和列数
for
i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2);
%求pop1的每行之和
%
2.2.2
将二进制编码转化为十进制数(2)
%
decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
%
(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
%
参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name:
decodechrom.m
%将二进制编码转换成十进制
function
pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
%
2.2.3
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)
temp1=decodechrom(pop,1,10);
%将pop每行转化成十进制数
x=temp1*10/1023;
%将二值域
中的数转化为变量域
的数
objvalue=10*sin(5*x)+7*cos(4*x);
%计算目标函数值
%
2.3
计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
function
fitvalue=calfitvalue(objvalue)
global
Cmin;
Cmin=0;
[px,py]=size(objvalue);
for
i=1:px
if
objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
%
2.4
选择复制
%
选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
%
根据方程
pi=fi/∑fi=fi/fsum
，选择步骤：
%
1）
在第
t
代，由（1）式计算
fsum
和
pi
%
2）
产生
{0,1}
的随机数
rand(
.)，求
s=rand(
.)*fsum
%
3）
求
∑fi≥s
中最小的
k
，则第
k
个个体被选中
%
4）
进行
N
次2）、3）操作，得到
N
个个体，成为第
t=t+1
代种群
%遗传算法子程序
%Name:
selection.m
%选择复制
function
[newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue);
%求适应值之和
fitvalue=fitvalue/totalfit;
%单个个体被选择的概率
fitvalue=cumsum(fitvalue);
%如
fitvalue=[1
2
3
4]，则
cumsum(fitvalue)=[1
3
6
10]
[px,py]=size(pop);
ms=sort(rand(px,1));
%从小到大排列
fitin=1;
newin=1;
while
newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
%
2.5
交叉
%
交叉(crossover)，群体中的每个个体之间都以一定的概率
pc
交叉，即两个个体从各自字符串的某一位置
%
（一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
%
x1=0100110
%
x2=1010001
%
从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
%
y1＝0100001
%
y2＝1010110
%
这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
%
事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name:
crossover.m
%交叉
function
[newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
%
2.6
变异
%
变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率
pm
翻转，即由“1”变为“0”，
%
或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name:
mutation.m
%变异
function
[newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:px
if(rand<pm)
mpoint=round(rand*py);
if
mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if
any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
%
2.7
求出群体中最大得适应值及其个体
%遗传算法子程序
%Name:
best.m
%求出群体中适应值最大的值
function
[bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for
i=2:px
if
fitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
%
2.8
主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20;
%群体大小
chromlength=10;
%字符串长度（个体长度）
pc=0.6;
%交叉概率
pm=0.001;
%变异概率
pop=initpop(popsize,chromlength);
%随机产生初始群体
for
i=1:20
%20为迭代次数
[objvalue]=calobjvalue(pop);
%计算目标函数
fitvalue=calfitvalue(objvalue);
%计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue);
%复制
[newpop]=crossover(pop,pc);
%交叉
[newpop]=mutation(pop,pc);
%变异
[bestindividual,bestfit]=best(pop,fitvalue);
%求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[0
10])
hold
on
plot(x,y,'r*')
hold
off
[z
index]=max(y);
%计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
第2个回答 2020-03-19
遗传算法实例:
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
%下面举例说明遗传算法%
%求下列函数的最大值%
%f(x)=10*sin(5x)+7*cos(4x)x∈[0,10]%
%将x的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为(10-0)/(2^10-1)≈0.01。%
%将变量域[0,10]离散化为二值域[0,1023],x=0+10*b/1023,其中b是[0,1023]中的一个二值数。%
%%
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
%编程
%-----------------------------------------------
%2.1初始化(编码)
%initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
%长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name:initpop.m
%初始化
functionpop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));%rand随机产生每个单元为{0,1}行数为popsize，列数为chromlength的矩阵，
%roud对矩阵的每个单元进行圆整。这样产生的初始种群。
%2.2计算目标函数值
%2.2.1将二进制数转化为十进制数(1)
%遗传算法子程序
%Name:decodebinary.m
%产生[2^n2^(n-1)...1]的行向量，然后求和，将二进制转化为十进制
functionpop2=decodebinary(pop)
[px,py]=size(pop);%求pop行和列数
fori=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2);%求pop1的每行之和
%2.2.2将二进制编码转化为十进制数(2)
%decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
%(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
%参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name:decodechrom.m
%将二进制编码转换成十进制
functionpop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
%2.2.3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)
temp1=decodechrom(pop,1,10);%将pop每行转化成十进制数
x=temp1*10/1023;%将二值域中的数转化为变量域的数
objvalue=10*sin(5*x)+7*cos(4*x);%计算目标函数值
%2.3计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
functionfitvalue=calfitvalue(objvalue)
globalCmin;
Cmin=0;
[px,py]=size(objvalue);
fori=1:px
ifobjvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
%2.4选择复制
%选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
%根据方程pi=fi/∑fi=fi/fsum，选择步骤：
%1）在第t代，由（1）式计算fsum和pi
%2）产生{0,1}的随机数rand(.)，求s=rand(.)*fsum
%3）求∑fi≥s中最小的k，则第k个个体被选中
%4）进行N次2）、3）操作，得到N个个体，成为第t=t+1代种群
%遗传算法子程序
%Name:selection.m
%选择复制
function[newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue);%求适应值之和
fitvalue=fitvalue/totalfit;%单个个体被选择的概率
fitvalue=cumsum(fitvalue);%如fitvalue=[1234]，则cumsum(fitvalue)=[13610]
[px,py]=size(pop);
ms=sort(rand(px,1));%从小到大排列
fitin=1;
newin=1;
whilenewin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
%2.5交叉
%交叉(crossover)，群体中的每个个体之间都以一定的概率pc交叉，即两个个体从各自字符串的某一位置
%（一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
%x1=0100110
%x2=1010001
%从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
%y1＝0100001
%y2＝1010110
%这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
%事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name:crossover.m
%交叉
function[newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
fori=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
%2.6变异
%变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率pm翻转，即由“1”变为“0”，
%或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name:mutation.m
%变异
function[newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
fori=1:px
if(rand<pm)
mpoint=round(rand*py);
ifmpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
ifany(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
%2.7求出群体中最大得适应值及其个体
%遗传算法子程序
%Name:best.m
%求出群体中适应值最大的值
function[bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
fori=2:px
iffitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
%2.8主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20;%群体大小
chromlength=10;%字符串长度（个体长度）
pc=0.6;%交叉概率
pm=0.001;%变异概率
pop=initpop(popsize,chromlength);%随机产生初始群体
fori=1:20%20为迭代次数
[objvalue]=calobjvalue(pop);%计算目标函数
fitvalue=calfitvalue(objvalue);%计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue);%复制
[newpop]=crossover(pop,pc);%交叉
[newpop]=mutation(pop,pc);%变异
[bestindividual,bestfit]=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[010])
holdon
plot(x,y,'r*')
holdoff
[zindex]=max(y);%计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【问题】求f(x)=x10*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=x10*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,[09],'fitness');%生成初始种群，大小为10
[xendPop,bPop,trace]=ga([09],'fitness',[],initPop,[1e-611],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2253])%25次遗传迭代
运算借过为：x=
7.856224.8553(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.^2x2.^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)*[-55];
[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=
0.0000-0.00000.0055
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('x10*sin(5*x)7*cos(4*x)',[0,9])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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,[09],'fitness');%生成初始种群，大小为10
[xendPop,bPop,trace]=ga([09],'fitness',[],initPop,[1e-611],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2253])%25次遗传迭代
运算借过为：x=
7.856224.8553(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)*[-55];
[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=
0.0000-0.00000.0055
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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
%下面举例说明遗传算法%
%求下列函数的最大值%
%f(x)=10*sin(5x)+7*cos(4x)x∈[0,10]%
%将x的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为(10-0)/(2^10-1)≈0.01。%
%将变量域[0,10]离散化为二值域[0,1023],x=0+10*b/1023,其中b是[0,1023]中的一个二值数。%
%%
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
%编程
%-----------------------------------------------
%2.1初始化(编码)
%initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
%长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name:initpop.m
%初始化
functionpop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));%rand随机产生每个单元为{0,1}行数为popsize，列数为chromlength的矩阵，
%roud对矩阵的每个单元进行圆整。这样产生的初始种群。
%2.2计算目标函数值
%2.2.1将二进制数转化为十进制数(1)
%遗传算法子程序
%Name:decodebinary.m
%产生[2^n2^(n-1)...1]的行向量，然后求和，将二进制转化为十进制
functionpop2=decodebinary(pop)
[px,py]=size(pop);%求pop行和列数
fori=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2);%求pop1的每行之和
%2.2.2将二进制编码转化为十进制数(2)
%decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
%(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
%参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name:decodechrom.m
%将二进制编码转换成十进制
functionpop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
%2.2.3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)
temp1=decodechrom(pop,1,10);%将pop每行转化成十进制数
x=temp1*10/1023;%将二值域中的数转化为变量域的数
objvalue=10*sin(5*x)+7*cos(4*x);%计算目标函数值
%2.3计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
functionfitvalue=calfitvalue(objvalue)
globalCmin;
Cmin=0;
[px,py]=size(objvalue);
fori=1:px
ifobjvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
%2.4选择复制
%选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
%根据方程pi=fi/∑fi=fi/fsum，选择步骤：
%1）在第t代，由（1）式计算fsum和pi
%2）产生{0,1}的随机数rand(.)，求s=rand(.)*fsum
%3）求∑fi≥s中最小的k，则第k个个体被选中
%4）进行N次2）、3）操作，得到N个个体，成为第t=t+1代种群
%遗传算法子程序
%Name:selection.m
%选择复制
function[newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue);%求适应值之和
fitvalue=fitvalue/totalfit;%单个个体被选择的概率
fitvalue=cumsum(fitvalue);%如fitvalue=[1234]，则cumsum(fitvalue)=[13610]
[px,py]=size(pop);
ms=sort(rand(px,1));%从小到大排列
fitin=1;
newin=1;
whilenewin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
%2.5交叉
%交叉(crossover)，群体中的每个个体之间都以一定的概率pc交叉，即两个个体从各自字符串的某一位置
%（一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
%x1=0100110
%x2=1010001
%从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
%y1＝0100001
%y2＝1010110
%这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
%事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name:crossover.m
%交叉
function[newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
fori=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
%2.6变异
%变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率pm翻转，即由“1”变为“0”，
%或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name:mutation.m
%变异
function[newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
fori=1:px
if(rand<pm)
mpoint=round(rand*py);
ifmpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
ifany(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
%2.7求出群体中最大得适应值及其个体
%遗传算法子程序
%Name:best.m
%求出群体中适应值最大的值
function[bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
fori=2:px
iffitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
%2.8主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20;%群体大小
chromlength=10;%字符串长度（个体长度）
pc=0.6;%交叉概率
pm=0.001;%变异概率
pop=initpop(popsize,chromlength);%随机产生初始群体
fori=1:20%20为迭代次数
[objvalue]=calobjvalue(pop);%计算目标函数
fitvalue=calfitvalue(objvalue);%计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue);%复制
[newpop]=crossover(pop,pc);%交叉
[newpop]=mutation(pop,pc);%变异
[bestindividual,bestfit]=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[010])
holdon
plot(x,y,'r*')
holdoff
[zindex]=max(y);%计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【问题】求f(x)=x10*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=x10*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,[09],'fitness');%生成初始种群，大小为10
[xendPop,bPop,trace]=ga([09],'fitness',[],initPop,[1e-611],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2253])%25次遗传迭代
运算借过为：x=
7.856224.8553(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.^2x2.^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)*[-55];
[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=
0.0000-0.00000.0055
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('x10*sin(5*x)7*cos(4*x)',[0,9])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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,[09],'fitness');%生成初始种群，大小为10
[xendPop,bPop,trace]=ga([09],'fitness',[],initPop,[1e-611],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2253])%25次遗传迭代
运算借过为：x=
7.856224.8553(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)*[-55];
[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=
0.0000-0.00000.0055
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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
第3个回答 2020-02-18
贴一下你的优化模型吧
第4个回答 2019-06-09
遗传算法实例:
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
%
下面举例说明遗传算法
%
%
求下列函数的最大值
%
%
f(x)=10*sin(5x)+7*cos(4x)
x∈[0,10]
%
%
将
x
的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为
(10-0)/(2^10-1)≈0.01
。
%
%
将变量域
[0,10]
离散化为二值域
[0,1023],
x=0+10*b/1023,
其中
b
是
[0,1023]
中的一个二值数。
%
%
%
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
%
编程
%-----------------------------------------------
%
2.1初始化(编码)
%
initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
%
长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name:
initpop.m
%初始化
function
pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));
%
rand随机产生每个单元为
{0,1}
行数为popsize，列数为chromlength的矩阵，
%
roud对矩阵的每个单元进行圆整。这样产生的初始种群。
%
2.2
计算目标函数值
%
2.2.1
将二进制数转化为十进制数(1)
%遗传算法子程序
%Name:
decodebinary.m
%产生
[2^n
2^(n-1)
...
1]
的行向量，然后求和，将二进制转化为十进制
function
pop2=decodebinary(pop)
[px,py]=size(pop);
%求pop行和列数
for
i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2);
%求pop1的每行之和
%
2.2.2
将二进制编码转化为十进制数(2)
%
decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
%
(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
%
参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name:
decodechrom.m
%将二进制编码转换成十进制
function
pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
%
2.2.3
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)
temp1=decodechrom(pop,1,10);
%将pop每行转化成十进制数
x=temp1*10/1023;
%将二值域
中的数转化为变量域
的数
objvalue=10*sin(5*x)+7*cos(4*x);
%计算目标函数值
%
2.3
计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
function
fitvalue=calfitvalue(objvalue)
global
Cmin;
Cmin=0;
[px,py]=size(objvalue);
for
i=1:px
if
objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
%
2.4
选择复制
%
选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
%
根据方程
pi=fi/∑fi=fi/fsum
，选择步骤：
%
1）
在第
t
代，由（1）式计算
fsum
和
pi
%
2）
产生
{0,1}
的随机数
rand(
.)，求
s=rand(
.)*fsum
%
3）
求
∑fi≥s
中最小的
k
，则第
k
个个体被选中
%
4）
进行
N
次2）、3）操作，得到
N
个个体，成为第
t=t+1
代种群
%遗传算法子程序
%Name:
selection.m
%选择复制
function
[newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue);
%求适应值之和
fitvalue=fitvalue/totalfit;
%单个个体被选择的概率
fitvalue=cumsum(fitvalue);
%如
fitvalue=[1
2
3
4]，则
cumsum(fitvalue)=[1
3
6
10]
[px,py]=size(pop);
ms=sort(rand(px,1));
%从小到大排列
fitin=1;
newin=1;
while
newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
%
2.5
交叉
%
交叉(crossover)，群体中的每个个体之间都以一定的概率
pc
交叉，即两个个体从各自字符串的某一位置
%
（一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
%
x1=0100110
%
x2=1010001
%
从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
%
y1＝0100001
%
y2＝1010110
%
这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
%
事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name:
crossover.m
%交叉
function
[newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
%
2.6
变异
%
变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率
pm
翻转，即由“1”变为“0”，
%
或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name:
mutation.m
%变异
function
[newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:px
if(rand<pm)
mpoint=round(rand*py);
if
mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if
any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
%
2.7
求出群体中最大得适应值及其个体
%遗传算法子程序
%Name:
best.m
%求出群体中适应值最大的值
function
[bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for
i=2:px
if
fitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
%
2.8
主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20;
%群体大小
chromlength=10;
%字符串长度（个体长度）
pc=0.6;
%交叉概率
pm=0.001;
%变异概率
pop=initpop(popsize,chromlength);
%随机产生初始群体
for
i=1:20
%20为迭代次数
[objvalue]=calobjvalue(pop);
%计算目标函数
fitvalue=calfitvalue(objvalue);
%计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue);
%复制
[newpop]=crossover(pop,pc);
%交叉
[newpop]=mutation(pop,pc);
%变异
[bestindividual,bestfit]=best(pop,fitvalue);
%求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[0
10])
hold
on
plot(x,y,'r*')
hold
off
[z
index]=max(y);
%计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。
对于初学者，尤其是还没有编程经验的非常有用的一个文件
遗传算法实例
%
下面举例说明遗传算法
%
%
求下列函数的最大值
%
%
f(x)=10*sin(5x)+7*cos(4x)
x∈[0,10]
%
%
将
x
的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为
(10-0)/(2^10-1)≈0.01
。
%
%
将变量域
[0,10]
离散化为二值域
[0,1023],
x=0+10*b/1023,
其中
b
是
[0,1023]
中的一个二值数。
%
%
%
%--------------------------------------------------------------------------------------------------------------%
%--------------------------------------------------------------------------------------------------------------%
%
编程
%-----------------------------------------------
%
2.1初始化(编码)
%
initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，
%
长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序
%Name:
initpop.m
%初始化
function
pop=initpop(popsize,chromlength)
pop=round(rand(popsize,chromlength));
%
rand随机产生每个单元为
{0,1}
行数为popsize，列数为chromlength的矩阵，
%
roud对矩阵的每个单元进行圆整。这样产生的初始种群。
%
2.2
计算目标函数值
%
2.2.1
将二进制数转化为十进制数(1)
%遗传算法子程序
%Name:
decodebinary.m
%产生
[2^n
2^(n-1)
...
1]
的行向量，然后求和，将二进制转化为十进制
function
pop2=decodebinary(pop)
[px,py]=size(pop);
%求pop行和列数
for
i=1:py
pop1(:,i)=2.^(py-i).*pop(:,i);
end
pop2=sum(pop1,2);
%求pop1的每行之和
%
2.2.2
将二进制编码转化为十进制数(2)
%
decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置
%
(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，
%
参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序
%Name:
decodechrom.m
%将二进制编码转换成十进制
function
pop2=decodechrom(pop,spoint,length)
pop1=pop(:,spoint:spoint+length-1);
pop2=decodebinary(pop1);
%
2.2.3
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)
temp1=decodechrom(pop,1,10);
%将pop每行转化成十进制数
x=temp1*10/1023;
%将二值域
中的数转化为变量域
的数
objvalue=10*sin(5*x)+7*cos(4*x);
%计算目标函数值
%
2.3
计算个体的适应值
%遗传算法子程序
%Name:calfitvalue.m
%计算个体的适应值
function
fitvalue=calfitvalue(objvalue)
global
Cmin;
Cmin=0;
[px,py]=size(objvalue);
for
i=1:px
if
objvalue(i)+Cmin>0
temp=Cmin+objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
%
2.4
选择复制
%
选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。
%
根据方程
pi=fi/∑fi=fi/fsum
，选择步骤：
%
1）
在第
t
代，由（1）式计算
fsum
和
pi
%
2）
产生
{0,1}
的随机数
rand(
.)，求
s=rand(
.)*fsum
%
3）
求
∑fi≥s
中最小的
k
，则第
k
个个体被选中
%
4）
进行
N
次2）、3）操作，得到
N
个个体，成为第
t=t+1
代种群
%遗传算法子程序
%Name:
selection.m
%选择复制
function
[newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue);
%求适应值之和
fitvalue=fitvalue/totalfit;
%单个个体被选择的概率
fitvalue=cumsum(fitvalue);
%如
fitvalue=[1
2
3
4]，则
cumsum(fitvalue)=[1
3
6
10]
[px,py]=size(pop);
ms=sort(rand(px,1));
%从小到大排列
fitin=1;
newin=1;
while
newin<=px
if(ms(newin))<fitvalue(fitin)
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
%
2.5
交叉
%
交叉(crossover)，群体中的每个个体之间都以一定的概率
pc
交叉，即两个个体从各自字符串的某一位置
%
（一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设2个父代个体x1，x2为：
%
x1=0100110
%
x2=1010001
%
从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：
%
y1＝0100001
%
y2＝1010110
%
这样2个子代个体就分别具有了2个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
%
事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序
%Name:
crossover.m
%交叉
function
[newpop]=crossover(pop,pc)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:2:px-1
if(rand<pc)
cpoint=round(rand*py);
newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];
newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];
else
newpop(i,:)=pop(i);
newpop(i+1,:)=pop(i+1);
end
end
%
2.6
变异
%
变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率
pm
翻转，即由“1”变为“0”，
%
或由“0”变为“1”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序
%Name:
mutation.m
%变异
function
[newpop]=mutation(pop,pm)
[px,py]=size(pop);
newpop=ones(size(pop));
for
i=1:px
if(rand<pm)
mpoint=round(rand*py);
if
mpoint<=0
mpoint=1;
end
newpop(i)=pop(i);
if
any(newpop(i,mpoint))==0
newpop(i,mpoint)=1;
else
newpop(i,mpoint)=0;
end
else
newpop(i)=pop(i);
end
end
%
2.7
求出群体中最大得适应值及其个体
%遗传算法子程序
%Name:
best.m
%求出群体中适应值最大的值
function
[bestindividual,bestfit]=best(pop,fitvalue)
[px,py]=size(pop);
bestindividual=pop(1,:);
bestfit=fitvalue(1);
for
i=2:px
if
fitvalue(i)>bestfit
bestindividual=pop(i,:);
bestfit=fitvalue(i);
end
end
%
2.8
主程序
%遗传算法主程序
%Name:genmain05.m
clear
clf
popsize=20;
%群体大小
chromlength=10;
%字符串长度（个体长度）
pc=0.6;
%交叉概率
pm=0.001;
%变异概率
pop=initpop(popsize,chromlength);
%随机产生初始群体
for
i=1:20
%20为迭代次数
[objvalue]=calobjvalue(pop);
%计算目标函数
fitvalue=calfitvalue(objvalue);
%计算群体中每个个体的适应度
[newpop]=selection(pop,fitvalue);
%复制
[newpop]=crossover(pop,pc);
%交叉
[newpop]=mutation(pop,pc);
%变异
[bestindividual,bestfit]=best(pop,fitvalue);
%求出群体中适应值最大的个体及其适应值
y(i)=max(bestfit);
n(i)=i;
pop5=bestindividual;
x(i)=decodechrom(pop5,1,chromlength)*10/1023;
pop=newpop;
end
fplot('10*sin(5*x)+7*cos(4*x)',[0
10])
hold
on
plot(x,y,'r*')
hold
off
[z
index]=max(y);
%计算最大值及其位置
x5=x(index)%计算最大值对应的x值
y=z
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
【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])
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。
遗传算法matlab程序代码
function [best_sol, best_val] = simple_ga(fitness_func, pop_size, num_gen, num_vars, var_bounds)初始化种群 pop = repmat(var_bounds(:,1) + (var_bounds(:,2) - var_bounds(:,1)) .* rand(pop_size, num_vars), 1, 1);遗传算法主循环 for gen = 1:num_gen 计算适应...
遗传算法及matlab代码实现
让我们以寻找最大值为例，MATLAB代码如下。初始化20个个体，每代迭代2000次，目标精度设定为0.01。二值化变量 [0,10] 到 [0,1023] 的转换，通过decodechrom函数巧妙实现。适应度计算函数 (calfitvalue.m) 设定目标函数：x+10*sin(5*x)+7*cos(4*x)，负目标值设为0，便于评估。选择过程，se...
遗传算法原理以及matlab代码
遗传算法原理及MATLAB代码应用详解 1. 算法基础: 遗传算法是一种模仿生物进化过程的优化技术，其核心思想是通过自然选择、遗传变异和适者生存，模拟种群优化。例如，要培育大花朵玫瑰，通过选择大花朵个体，通过二进制编码（如"01011101"）模拟染色体交叉和变异，逐步优化种群，直至找到理想目标。2. 参数编码:...
遗传算法原理案例及MATLAB实现
例如，以函数$f(x)=x\\sin(x)\\cos(x)$为例，通过遗传算法寻找最大值点。具体实现上，种群的初始化、适应度计算、选择操作、交叉和变异等步骤在MATLAB代码中详细展开，通过一系列迭代，逐步优化种群，达到优化目标。在CSDN博客有相关代码可供参考。
遗传算法的编码方式以及MATLAB实现
在编码方式上，二进制编码简单直观，但精度受限；实数编码如加权平均交叉和多项式变异，能处理更复杂的多维问题，但操作相对复杂。MATLAB中，对于二进制和实数编码，都有相应的函数实现，如select、plot_ga、mutation等。编码的选择是遗传算法设计的关键环节，正确选择编码方式能提高算法的效率和解的质量。后续...
遗传算法 -- matlab简单实现
上述MATLAB函数通过调用编码、选择、交叉和变异等算子，实现遗传算法的迭代进化过程。`initializega`函数生成初始种群，`ga`函数则根据给定配置参数执行遗传算法的主要运算流程。用户可以通过调整输入参数，如适应度函数、终止条件、选择与交叉策略以及变异类型，以适应特定问题的求解需求。
关于遗传算法的MATLAB实现
[x fx string]=fun_SuiJiSuanFa2(6,16,0.7,0.01,-3,3,100)f 表示函数 N表示染色体种群大小 genLenth表示染色体长度 Pc表示交叉概率 Pm表示突变概率 downbound upbound generation循环代数 进制编码,此处编写为二进制 num=2;initdata=randi([0 num-1],N,genLenth);二进制编码的权值 weight=(...
遗传算法介绍并附上Matlab代码
代码部分使用Octave编写，虽然Matlab可能不再适用，但遗传算法的原理和步骤是通用的。开始时，需要定义个体（如100个x值），并通过适应度函数评估个体的好坏。编码是将自变量转换为便于操作的形式，如二进制编码，以便于交叉和变异。交叉和变异是关键步骤，通过随机改变个体的基因部分，产生新的可能解。选择...
求解:怎样使用MATLAB中的遗传算法计算器Optimization Tool中的GA——G...
比如通过MATLAB遗传算法的思想求解f(x)=x*sin(10pi*x)+2.0,-1<=x<=2的最大值问题，结果精确到3位小数。首先在matlab命令窗口输入f=@(x)-(x*sin(10*pi*x)+2) 输出结果为 >> f=@(x)-(x*sin(10*pi*x)+2)f = (x)-(x*sin(10*pi*x)+2)接着输入gatool会打开遗传算法工具箱...
Matlab遗传算法工具箱使用简介
遗传算法作为一种强大的优化工具，Matlab提供了一套方便易用的工具箱。要开启这个工具箱，首先在App中找到Optimization工具箱，接着在Solver中搜索并选择ga选项，你会看到如下的操作界面。在实际操作中，主要关注左边的参数输入区域。例如，解决最小值问题时，你需要编写适应度函数（目标函数），并将其作为m...
相似回答
