遗传算法完整MATLAB程序

clc, clear, close all %% 遗传算法_参数设定 N = 100; %种群内个体数目 N_chrom = 1; %染色体节点数 iter = 60; %迭代次数 mut = 0.2; %突变概率 acr = 0.2; %交叉概率 %% 预设矩阵 chrom_range = [0 0; 20 20];%每个节点的值的区间 chrom = zeros(N, N_chrom);%存放染色体的矩阵 fitness = zeros(N, 1);%存放染色体的适应度，在该参数下的模型的值 fitness_ave = zeros(1, iter);%存放每一代的平均适应度 fitness_best = zeros(1, iter);%存放每一代2的最优适应度 chrom_best = zeros(1, N_chrom+1);%存放当前代的最优染色体与适应度 fitness_sum = zeros(1,N);%存放求和的值 %% 初始化种群 chrom = Initialize(N, N_chrom, chrom_range); %初始化染色体 fitness = CalFitness(chrom, N); %计算适应度 chrom_best = FindBest(chrom, fitness, N_chrom); %寻找最优染色体及其适应度值 fitness_best(1) = chrom_best(end); %将当前最优存入矩阵当中 fitness_ave(1) = CalAveFitness(fitness); %将当前平均适应度存入矩阵当中 %% 迭代开始 for t = 2:iter %种群混乱发展史 chrom = MutChrom(chrom, mut, N, N_chrom, chrom_range, t,fitness_ave,fitness_best); %变异 chrom = AcrChrom(chrom, acr, N, N_chrom); %交叉 %种群发展结果 fitness = CalFitness(chrom, N); %计算适应度 chrom_best_temp = FindBest(chrom, fitness, N_chrom); %寻找最优染色体 if chrom_best_temp(end)>chrom_best(end) %替换掉当前储存的最优 chrom_best = chrom_best_temp; end fitness_best(t) = chrom_best(end); %将当前最优存入矩阵当中 fitness_ave(t) = CalAveFitness(fitness); %将当前平均适应度存入矩阵当中 %%替换掉最劣 [chrom,fitness]=SortFitness(chrom,N, N_chrom,fitness);%升序排列 fitness_sum = CalSumFitness(N,fitness);%适应度求和 chrom = Roulette(chrom,N,N_chrom,fitness_sum);%轮盘赌 end %% 输出遗传算法迭代图 figure(3) plot(1:iter, fitness_ave, 'r', 1:iter, fitness_best, 'b') grid on legend('平均适应度', '最优适应度') PlotModel(chrom_best) %% 输出结果 disp(['最优染色体为', num2str(chrom_best(1:end-1))]) disp(['最优适应度为', num2str(chrom_best(end))])