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 遗传算法是基于自然选择和遗传学的优化算法，MATLAB 提供了遗传算法工具箱函数来实现这个算法。下面是 MATLAB 遗传算法工具箱函数的详细讲解和实例代码。 核心函数 1. `initializega` 函数：生成初始种群的函数 输入参数： * `num`：种群中的个体数目 * `bounds`：变量的上下界矩阵 * `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（浮点编码或二进制编码） 输出参数： * `pop`：生成的初始种群 2. `ga` 函数：遗传算法函数 输入参数： * `bounds`：变量的上下界矩阵 * `evalFN`：适应度函数 * `evalOps`：传递给适应度函数的参数 * `startPop`：初始种群 * `opts`：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 * `termFN`：终止函数的名称 * `termOps`：传递给终止函数的参数 * `selectFN`：选择函数的名称 * `selectOps`：传递给选择函数的参数 * `xOverFNs`：交叉函数名称表，以空格分开 * `xOverOps`：传递给交叉函数的参数表 * `mutFNs`：变异函数表 * `mutOps`：传递给变异函数的参数表 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 实例讲解 问题 1：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： ```matlab % 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); end % 生成初始种群 initPop = initializega(10, [0 9], 'fitness'); % 运行遗传算法 [x, endPop, bPop, trace] = ga([0 9], 'fitness', [], initPop, [1e-6 1 1], 'maxGenTerm', 25, 'normGeomSelect', [0.08], ['arithXover'], [2], 'nonUnifMutation', [2 25 3]); % 输出结果 x = 7.8562 f(x) = 24.8553 ``` 问题 2：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))) ... (省略) 遗传算法是一种基于自然选择和遗传学的优化算法，MATLAB 提供了遗传算法工具箱函数来实现这个算法。在这个实例中，我们使用遗传算法来求解两个优化问题，结果显示了遗传算法的有效性和实用性。