matlab遗传算法工具箱函数及实例讲解(共3页).doc
精选优质文档-倾情为你奉上 matlab遗传算法工具箱函数及实例讲解核心函数： (1)function pop=initializega(num,bounds,eevalFN,eevalOps,options)-初始种群的生成函数 【输出参数】 pop-生成的初始种群 【输入参数】 num-种群中的个体数目 bounds-代表变量的上下界的矩阵 eevalFN-适应度函数 eevalOps-传递给适应度函数的参数 options-选择编码形式(浮点编码或是二进制编码)precision F_or_B,如 precision-变量进行二进制编码时指定的精度 F_or_B-为1时选择浮点编码，否则为二进制编码,由precision指定精度) (2)function x,endPop,bPop,traceInfo = ga(bounds,evalFN,evalOps,startPop,opts,. termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)-遗传算法函数 【输出参数】 x-求得的最优解 endPop-最终得到的种群 bPop-最优种群的一个搜索轨迹 【输入参数】 bounds-代表变量上下界的矩阵 evalFN-适应度函数 evalOps-传递给适应度函数的参数 startPop-初始种群 optsepsilon prob_ops display-opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如1e-6 1 0 termFN-终止函数的名称,如'maxGenTerm' termOps-传递个终止函数的参数,如100 selectFN-选择函数的名称,如'normGeomSelect' selectOps-传递个选择函数的参数,如0.08 xOverFNs-交叉函数名称表，以空格分开，如'arithXover heuristicXover simpleXover' xOverOps-传递给交叉函数的参数表，如2 0;2 3;2 0 mutFNs-变异函数表，如'boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation' mutOps-传递给交叉函数的参数表,如4 0 0;6 100 3;4 100 3;4 0 0 注意】matlab工具箱函数必须放在工作目录下 【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9 【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08 【程序清单】 %编写目标函数 functionsol,eval=fitness(sol,options) x=sol(1); eval=x+10*sin(5*x)+7*cos(4*x); %把上述函数存储为fitness.m文件并放在工作目录下 initPop=initializega(10,0 9,'fitness');%生成初始种群，大小为10 x endPop,bPop,trace=ga(0 9,'fitness',initPop,1e-6 1 1,'maxGenTerm',25,'normGeomSelect',. 0.08,'arithXover',2,'nonUnifMutation',2 25 3) %25次遗传迭代 运算借过为：x = 7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553) 注：遗传算法一般用来取得近似最优解，而不是最优解。 遗传算法实例2 【问题】在5<=Xi<=5,i=1,2区间内，求解 f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.2+x2.2)-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)+22.71282的最小值。 【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3 【程序清单】 源函数的matlab代码 function eval=f(sol) numv=size(sol,2); x=sol(1:numv); eval=-20*exp(-0.2*sqrt(sum(x.2)/numv)-exp(sum(cos(2*pi*x)/numv)+22.71282; %适应度函数的matlab代码 function sol,eval=fitness(sol,options) numv=size(sol,2)-1; x=sol(1:numv); eval=f(x); eval=-eval; %遗传算法的matlab代码 bounds=ones(2,1)*-5 5; p,endPop,bestSols,trace=ga(bounds,'fitness') 注：前两个文件存储为m文件并放在工作目录下，运行结果为 p = 0.0000 -0.0000 0.0055 大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令： fplot('x+10*sin(5*x)+7*cos(4*x)',0,9) 专心-专注-专业
