1、rndtmp,kk）=tmp; end fatherrand=fatherrand（:,1:2）,A,B; % 变异 rnd=rand（num,N）; m,n=size（ind）; tmp=randint（m,n,2）+1; tmp（:2）=0; fatherrand=tmp+fatherrand; fatherrand=mod（fatherrand,3）; fatherrand（ind）=tmp; %评价、选择 scoreN=scorefun（fatherrand,D）;% 求得N个个体的评价函数 score（generation,:）=scoreN; scoreSort,scoreind=
2、sort（scoreN）; sumscore=cumsum（scoreSort）; sumscore=sumscore./sumscore（end）; childind（1:2）=scoreind（end-1:end）; for k=3:N tmprnd=rand; tmpind=tmprnd difind=0,diff（tmpind）; if any（difind） difind（1）=1; childind（k）=scoreind（logical（difind）; fatherrand=fatherrand（:,childind）; generation=generation+1;end
3、% score maxV=max（score,2）;minV=11*300-maxV;plot（minV,*）;title（各代的目标函数值F4=D（:,4）;FF4=F4-fatherrand（:,1）;FF4=max（FF4,1）;D（:,5）=FF4;save DData Dfunction D=code load youhua.mat % properties F2 and F3 F1=A（:F2=A（:,2）;F3=A（:,3）;if （max（F2）1450）|（min（F2）=900） error（DATA property F2 exceed its range （900,14
4、50） % get group property F1 of data, according to F2 value F4=zeros（size（F1）;for ite=11:-1:1 index=find（F2temp=Cmin+objvalue（i）;elsetemp=0.0;fitvalue（i）=temp;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
5、 0,1 的随机数 rand（ .），求 s=rand（ .）*fsum% 3） 求 fis 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 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
6、 3 6 10 ms=sort（rand（px,1）; %从小到大排列fitin=1;newin=1;while newin=pxif（ms（newin）fitvalue（fitin）newpop（newin）=pop（fitin）;newin=newin+1;fitin=fitin+1;% 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
7、始交叉，交又后得到2个新的子代个体y1，y2分别为：% y10100001% y21010110% 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。 crossover.m%交叉function newpop=crossover（pop,pc）newpop=ones（size（pop）;2:px-1if（randpc）cpoint=round（rand*py）;newpop（i,:）=pop（i,1:cpoint）,pop（i+1,cpoint+1:py）;newpo
8、p（i+1,:）=pop（i+1,1:cpoint）,pop（i,cpoint+1:）=pop（i）;）=pop（i+1）;% 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。 mutation.m%变异function newpop=mutation（pop,pm）pm）mpoint=round（rand*py）;if mpointbestfitbestind
9、ividual=pop（i,:bestfit=fitvalue（i）;% 2.8 主程序%遗传算法主程序genmain05.mclearclfpopsize=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,f
10、itvalue）; %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;fplot（10*sin（5*x）+7*cos（4*x）,0 10）hold onplot（x,y,r*）hold offz inde
11、x=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 functionsol,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,fitn
12、ess%生成初始种群，大小为10 x endPop,bPop,trace=ga（0 9,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（
13、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 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; eval=f
14、（x）; eval=-eval; %遗传算法的matlab代码 bounds=ones（2,1）*-5 5; p,endPop,bestSols,trace=ga（bounds,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 eval=x+10*sin（5*x）+7*cos（4*x）; 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。 eval=-20*exp（-0.2*sqrt（sum（x.2）/numv）-exp（sum（cos（2*pi*x）/numv）+22.71282;matl
