基于matlab的遗传算法实现（包含两个例子）

clc, clear, close all %%基础参数 N = 100; %种群内个体数目 N_chrom = 2; %染色体节点数 iter = 2000; %迭代次数 mut = 0.2; %突变概率 acr = 0.2; %交叉概率 best = 1; chrom_range = [-10 -10;10 10];%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 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 %%初始化 chrom = Initialize(N, N_chrom, chrom_range); %初始化染色体 fitness = CalFitness(chrom, N, N_chrom); %计算适应度 chrom_best = FindBest(chrom, fitness, N_chrom); %寻找最优染色体 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 for t = 2:iter chrom = MutChrom(chrom, mut, N, N_chrom, chrom_range, t, iter); %变异 chrom = AcrChrom(chrom, acr, N, N_chrom); %交叉 fitness = CalFitness(chrom, N, N_chrom); %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 %%替换掉最劣 [chrom, fitness] = ReplaceWorse(chrom, chrom_best, fitness); 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 end %%作图 figure(1) plot(1:iter, fitness_ave, 'r', 1:iter, fitness_best, 'b') grid on legend('平均适应度', '最优适应度') e = 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))]) disp(['最优适应度为', num2str(1/chrom_best(end))])