Matlab代码.zip_1/5原则_4 3 2 1_循环交叉_遗传算法

% Genetic Algorithm for Functional Maximum Problem % f(x) = 10*sin(5*x)+7*abs(x-5)+10, x∈[0,10] % population_size: 输入种群大小 % chromosome_size: 输入染色体长度 % generation_size: 输入迭代次数 % cross_rate: 输入交叉概率 % mutate_rate: 输入变异概率 % elitism: 输入是否精英选择 % m: 输出最佳个体 % n: 输出最佳适应度 % p: 输出最佳个体出现迭代次数 % q: 输出最佳个体自变量值 function [m,n,p,q] = genetic_algorithm(population_size, chromosome_size, generation_size, cross_rate, mutate_rate, elitism) global G ; % 当前迭代次数 global fitness_value_x; %当前代个体x值矩阵 global fitness_value; % 当前代适应度矩阵 global best_fitness; % 历代最佳适应值 global fitness_average; % 历代平均适应值矩阵 global best_individual; % 历代最佳个体 global best_generation; % 最佳个体出现代 upper_bound = 10; % 自变量的区间上限 lower_bound = 0; % 自变量的区间下限 %所有种群个体x值初始化为0 fitness_value_x = zeros(population_size, 1); % 所有种群个体适应度初始化为0 fitness_value = zeros(population_size, 1); %每一次迭代的平均适应度初始化为0 fitness_average = zeros(generation_size,1); disp [Genetic Algorithm] best_fitness = 0; best_generation = 0; init(population_size, chromosome_size); % 初始化 for G=1:generation_size fitness(population_size, chromosome_size); % 计算适应度 rank(population_size, chromosome_size); % 对个体按适应度大小进行排序 selection(population_size, chromosome_size, elitism); % 选择操作 crossover(population_size, chromosome_size, cross_rate);% 交叉操作 mutation(population_size, chromosome_size, mutate_rate);% 变异操作 plotIterative(population_size); end figure; plotGA(generation_size);% 打印算法迭代过程 m = best_individual; % 获得最佳个体 n = best_fitness; % 获得最佳适应度 p = best_generation; % 获得最佳个体出现时的迭代次数 % 获得最佳个体变量值，对不同的优化目标，这里需要修改 q = 0; for j=1:chromosome_size if best_individual(j) == 1 q = q+2^(j-1); % 最佳个体变量二进制转十进制 end end q = lower_bound + q*(upper_bound-lower_bound)/(2^chromosome_size-1); % 解码 clear i; clear j;