GA.rar_GA_trianglel75_基于遗传算法求解多元函数最优解_遗传算法 _遗传算法多元

%% GA clc % 清屏 clear all; % 删除workplace变量 close all; % 关掉显示图形窗口 warning off %% 参数初始化 popsize=100; %种群规模 lenchrom=4; %变量字串长度 pc=0.7; %设置交叉概率，本例中交叉概率是定值，若想设置变化的交叉概率可用表达式表示，或从写一个交叉概率函数，例如用神经网络训练得到的值作为交叉概率 pm=0.3; %设置变异概率，同理也可设置为变化的 maxgen=100; % 进化次数 %种群 popmax=50; popmin=0; bound=[popmin popmax;popmin popmax;popmin popmax;popmin popmax]; %变量范围 %% 产生初始粒子和速度 for i=1:popsize %随机产生一个种群 GApop(i,:)=Code(lenchrom,bound); %随机产生个体 %计算适应度 fitness(i)=fun(GApop(i,:)); %染色体的适应度 end %找最好的染色体 [bestfitness bestindex]=min(fitness); zbest=GApop(bestindex,:); %全局最佳 gbest=GApop; %个体最佳 fitnessgbest=fitness; %个体最佳适应度值 fitnesszbest=bestfitness; %全局最佳适应度值 %% 迭代寻优 for i=1:maxgen i %种群更新 GA选择更新 GApop=Select2(GApop,fitness,popsize); % 交叉操作 GA GApop=Cross(pc,lenchrom,GApop,popsize,bound); % 变异操作 GA变异 GApop=Mutation(pm,lenchrom,GApop,popsize,[i maxgen],bound); pop=GApop; for j=1:popsize %适应度值 if 2*pop(j,1)-5*pop(j,2)+7*pop(j,3)+9*pop(j,4)<=300 if 17*pop(j,1)+56*pop(j,2)+31*pop(j,3)+88*pop(j,4)<=10000 fitness(j)=fun(pop(j,:)); end end %个体最优更新 if fitness(j) < fitnessgbest(j) gbest(j,:) = pop(j,:); fitnessgbest(j) = fitness(j); end %群体最优更新 if fitness(j) < fitnesszbest zbest = pop(j,:); fitnesszbest = fitness(j); end end yy(i)=fitnesszbest; end %% 结果 disp '*************best particle number****************' zbest %% plot(yy,'linewidth',2); title(['适应度曲线 ' '终止代数＝' num2str(maxgen)]); xlabel('进化代数');ylabel('适应度'); grid on