GA程序（适应度函数+主函数）.rar_GA主程序_JUUS_ga适应度函数_pig11i_遗传算法GA

%%%%%标准遗传算法求函数极值%%%% %%%%%初始化参数%%%%% clc,clear clc; %清屏 NP=50; %种群数量，一般取10~200，即染色体数目，将定义域划分50个（不等距） L=20; %二进制位串长度，即染色体上基因数目，和计算要求的精度有关，如 %精度10^-5，则2^19<10*10^5<2^20，至少需要20位 Pc=0.8; %交叉率，一般取0.25~1 Pm=0.1; %变异率，一般取0.001~0.1 G=100; %最大遗传代数，一般100~1000 Xs=10; %定义域上限 Xx=0; %定义域下限 f=randi([0,1],NP,L); %随机获得初始种群 trace=zeros(1,G); %预先分配内存 %%%%%%%%遗传算法循环%%%%%%%% for k=1:G %%%%%%解码%%%% for i=1:NP U=f(i,:); %一条染色体 m=0; for j=1:L m=U(j)*2^(j-1)+m; %二进制转十进制的过程 end x(i)=Xx+m*(Xs-Xx)/(2^L-1); %将染色体解码在函数定义域 Fit(i)=func1(x(i)); %适应度，即目标函数值 end %%%%%%求适应度最优%%%% maxFit=max(Fit); %目标函数最大值 minFit=min(Fit); %目标函数最小值 rr=find(Fit==maxFit); %最大值在Fit数组中的位置，返回一个数组，因为可能有几个相同的最大值 %这点要特别注意，所以下面不能直接用rr fBest=f(rr(1,1),:); %最优适应度,有多个相同值时只取第一个 xBest=x(rr(1,1)); %最优适应度对应的染色体 Fit=(Fit-minFit)/(maxFit-minFit); %归一化适应度值 %%%%%至此本代最优已筛选出来，下面开始为下一代作准备%%%% %%%%%基于轮盘赌的复制操作，在本代挑选出交配的父母双方%%%% sum_Fit=sum(Fit); fitvalue=Fit./sum_Fit; %可以看作概率密度f fitvalue=cumsum(fitvalue); %可以看作概率累计F ms=sort(rand(NP,1)); %随机生成（0,1）的有序概率密度NP大小向量 fiti=1; newi=1; %由ms可以看出这是一种随机的复制方式，但总趋势是将适应度比较大的遗传下去 while newi <=NP if (ms(newi)<fitvalue(fiti)) nf(newi,:)=f(fiti,:); newi=newi+1; else fiti=fiti+1; end end %%%%%%%%基于概率的交叉操作%%%%%%%% for i=1:2:NP p=rand; if p<Pc %控制交叉的染色体总数 q=randi([0,1],1,L); %随机生成要交叉的基因位置 for j=1:L if q(j)==1 temp=nf(i+1,j); nf(i+1,j)=nf(i,j); nf(i,j)=temp; %两条相邻染色体在指定位置进行交叉 end end end end %%%%%%%%%基于概率的变异操作%%%%%%%%%%%% i=1; while i<=round(NP*Pm) %控制变异染色体总数 h=randi([1,NP],1,1); %随机选取一个染色体进行变异 for j=1:round(L*Pm) %控制染色体上变异基因总数 g=randi([1,L],1,1); %随机选取一个基因进行变异 nf(h,g)=~nf(h,g); %变异，即取反 end i=i+1; end f=nf; %新一代种群 f(1,:)=fBest; %保留最优个体在新种群中 trace(k)=maxFit; %历代最优是应当由，即最大函数值 end disp('最优解'); disp(xBest); %最优个体，也就是最优解 figure plot(trace) xlabel('迭代次数') ylabel('目标函数值') title('适应度进化曲线')