matlab遗传算法工具箱函数及实例讲解.doc

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,eFN,eOps,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 eFN--适应度函数 eOps--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,FN,Ops,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 FN--适应度函数 Ops--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] 【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,]=fitness(sol,options) x=sol(1); =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 []=f(sol) numv=size(sol,2); x=sol(1:numv); =-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282; %适应度函数的mafunction [sol,]=fitness(sol,options) numv=size(sol,2)-1; x=sol(1:numv); =f(x); =-; %遗传算法的ma