遗传算法matlab代码.doc

function youhuafun

D=code;

N=50; % Tunable

maxgen=50; % Tunable

crossrate=0.5; %Tunable

muterate=0.08; %Tunable

generation=1;

num = length(D);

fatherrand=randint(num,N,3);

rnd=rand(num,(N-2)/2);

ind=rnd tmp=A(ind);

A(ind)=B(ind);

B(ind)=tmp;

% % 两点交叉

% for kk=1:(N-2)/2

% rndtmp=randint(1,1,num)+1;

% tmp=A(1:rndtmp,kk);

% A(1:rndtmp,kk)=B(1:rndtmp,kk);

% B(1:rndtmp,kk)=tmp;

tmp=randint(m,n,2)+1;

tmp(:,1:2)=0;

fatherrand=tmp+fatherrand;

fatherrand=mod(fatherrand,3);

% fatherrand(ind)=tmp;

%评价、选择

scoreN=scorefun(fatherrand,D);% 求得 N 个个体的评价函

数

score(generation,:)=scoreN;

tmprnd=rand;

pind)];

if ~any(difind)

difind(1)=1;

end

childind(k)=scoreind(logical(difind));

end

fatherrand=fatherrand(:,childind);

generation=generation+1;

end

% score

D(:,5)=FF4;

save DData D

function D=code

load youhua.mat

% properties F2 and F3

F1=A(:,1);

F2=A(:,2);

F3=A(:,3);

if (max(F2)>1450)||(min(F2)<=900)

error('DATA property F2 exceed it''s range (900,1450]')

end

D=[F1,F2,F3,F4];

function ScoreN=scorefun(fatherrand,D)

F3=D(:,3);

F4=D(:,4);

N=size(fatherrand,2);

FF4=F4*ones(1,N);

FF4rnd=FF4-fatherrand;

FF4rnd=max(FF4rnd,1);

ScoreN=ones(1,N)*300*11;

FF4k=FF4rnd(:,k);

F0index=find(FF4k==ite);

if ~isempty(F0index)

tmpMat=F3(F0index);

tmpSco=sum(tmpMat);

ScoreBin(ite)=mod(tmpSco,300);

end

end

Scorek(k)=sum(ScoreBin);

end

ScoreN=ScoreN-Scorek;

% 将 x 的值用一个 10 位的二值形式表示为二值问题，一个 10

位的二值数提供的分辨率是每为 (10-0)/(2^10-1)≈0.01 。 %

% 将变量域 [0,10] 离散化为二值域 [0,1023], x=0+10*b/1023,

其中 b 是 [0,1023] 中的一个二值数。 %

% %

%---------------------------------------------------------------------------------

-----------------------------%

%---------------------------------------------------------------------------------

-----------------------------%

% 编程

%-----------------------------------------------

% 2.1 初始化(编码)

function pop=initpop(popsize,chromlength)

pop=round(rand(popsize,chromlength)); % rand 随机产生每个

单元为 {0,1} 行数为 popsize，列数为 chromlength 的矩阵，

% roud 对矩阵的每个单元进行圆整。这样产生的初始种群。

% 2.2 计算目标函数值

% 2.2.1 将二进制数转化为十进制数(1)

%遗传算法子程序

%Name: decodebinary.m

%产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为

十进制

function pop2=decodebinary(pop)

[px,py]=size(pop); %求 pop 行和列数

为十进制，参数 spoint 表示待解码的二进制串的起始位置

% (对于多个变量而言，如有两个变量，采用 20 为表示，每个变

量为 10，则第一个变量从 1 开始，另一个变量从 11 开始。本例

为 1)，

% 参数 1ength 表示所截取的长度（本例为 10）。

%遗传算法子程序

%Name: decodechrom.m

%将二进制编码转换成十进制

function pop2=decodechrom(pop,spoint,length)

pop1=pop(:,spoint:spoint+length-1);

%实现目标函数的计算

function [objvalue]=calobjvalue(pop)

temp1=decodechrom(pop,1,10); %将 pop 每行转化成十进制数

x=temp1*10/1023; %将二值域 中的数转化为变量域 的数

objvalue=10*sin(5*x)+7*cos(4*x); %计算目标函数值

% 2.3 计算个体的适应值

%遗传算法子程序

%Name:calfitvalue.m

%计算个体的适应值

function fitvalue=calfitvalue(objvalue)

fitvalue=fitvalue';

% 2.4 选择复制

%选择复制

fitvalue=fitvalue/totalfit; %单个个体被选择的概率

else

% 2.5 交叉

% 交叉(crossover)，群体中的每个个体之间都以一定的概率 pc

% （一般是随机确定）开始互相交换，这类似生物进化过程中的

之一。

%交叉

end

%变异

function [newpop]=mutation(pop,pm)

mpoint=1;

newpop(i)=pop(i);