遺傳演算法matlab實現

❶ 關於遺傳演算法的MATLAB實現

function [x fx string]=fun_SuiJiSuanFa2(N,genLenth,Pc,Pm,downbound,upbound,generation)
%[x fx string]=fun_SuiJiSuanFa2(6,16,0.7,0.01,-3,3,100)
%f 表示函數
%N表示染色體種群大小
%genLenth表示染色體長度
%Pc表示交叉概率
%Pm表示突變概率
%downbound
%upbound
%generation循環代數

%進制編碼,此處編寫為二進制
num=2;
initdata=randi([0 num-1],N,genLenth);
%二進制編碼的權值
weight=(num).^(genLenth/2-1:-1:0);
weights=repmat(weight,N,1);
%保存每代的最好值和平均值,
meanally=zeros(1,generation);
maxally=zeros(1,generation);

Nowx=zeros(generation,genLenth);
for k=1:generation
%解碼後的整數
allx1=sum(initdata(:,1:genLenth/2).*weights,2);
allx2=sum(initdata(:,genLenth/2+1:end).*weights,2);
%映射到取值范圍
delt=(upbound-downbound)/(num^(genLenth/2)-1);
allx1=allx1.*delt+downbound;
allx2=allx2.*delt+downbound;
%染色體的適應性
ally=f(allx1,allx2);
%平均值，最大值
meanally(k)=mean(ally);
maxally(k)=max(ally);
%找下標，確定是哪條染色體
index=find(ally==maxally(k));
Nowx(k,:)=initdata(index(1),:);
%最大值沒有提高就取上次的
if(k>=2&&maxally(k)<maxally(k-1))
maxally(k)=maxally(k-1);
Nowx(k,:)=Nowx(k-1,:);
end
%染色體的適應性比率
ratio=ally./sum(ally);
%交叉,變異
%？？交叉幾個，從第幾個開始。
%此處只交叉1個（總共才6個），隨機給一個。
sumRatio=cumsum(ratio);
data=zeros(N,genLenth);
for i=1:N/2
Select1=find(sumRatio>=rand);
Select2=find(sumRatio>=rand);
data(2*i-1,:)=initdata(Select1(1),:);
data(2*i,:)=initdata(Select2(1),:);
if(rand<Pc)
%交叉
location=randi([1,genLenth]);
temp=data(2*i-1,location:end);
data(2*i-1,location:end)=data(2*i,location:end);
data(2*i,location:end)=temp;
else
%變異
if(rand<Pm)
location=randi([1,genLenth]);
data(2*i-1,location)=1-data(2*i-1,location);
end
if(rand<Pm)
location=randi([1,genLenth]);
data(2*i,location)=1-data(2*i,location);
end
end
end
initdata=data;
end

fx=max(maxally);
lastIndex=find(maxally==fx);
string=Nowx(lastIndex(1),:);

x(1)=sum(string(1:genLenth/2).*weight).*(upbound-downbound)/(num^(genLenth/2)-1)+downbound;
x(2)=sum(string(1+genLenth/2:end).*weight).*(upbound-downbound)/(num^(genLenth/2)-1)+downbound;
%繪制性能圖
%figure,hold on;
clf;figure(1),hold on;
plot((1:k)',meanally,'b.-');
plot((1:k)',maxally,'r.:');
end

function fun=f(x,y)
fun=(1-x).^2.*exp(-x.^2-(1+y).^2)-(x-x.^3-y.^3).*exp(-x.^2-y.^2);
%fun=-(x-1).^2-3.*(y-2).^2+100;
end

❷ 遺傳演算法及matlab代碼實現

深入探索遺傳演算法的世界，讓我們通過MATLAB代碼實現這一強大工具。遺傳演算法，如同自然界的演化過程，憑借其全局尋優和自適應特性，在無求導和連續性要求下尋求最優解。它的核心要素包括：基因型的二進制或浮點編碼，通過適應度函數評價個體表現，以及一系列智能選擇、交叉和變異操作。
想像一下，搜索問題就像袋鼠跳躍，遺傳演算法就像一次次的進化跳躍，不斷接近山峰。每個個體代表一個可能的解，種群間的競爭與合作驅動著演算法前進。從隨機生成初始群體，到通過輪盤選擇、交叉和變異產生新代，直到找到那顆璀璨的最優解星。
讓我們以尋找最大值為例，MATLAB代碼如下。初始化20個個體，每代迭代2000次，目標精度設定為0.01。二值化變數 [0,10] 到 [0,1023] 的轉換，通過decodechrom函數巧妙實現。適應度計算函數 (calfitvalue.m) 設定目標函數：x+10*sin(5*x)+7*cos(4*x)，負目標值設為0，便於評估。
選擇過程，selection.m 函數採用輪盤法則，根據個體的適應度比例隨機選擇。交叉操作在 crossover.m 中進行，以設定的概率進行單點交叉，生成新一代種群。而變異環節，mutation.m 負責在基因位上引入隨機性，保持搜索的多樣性。
在MATLAB的 gaot 工具箱中，這一切操作無縫集成，從種群初始化到優化迭代，再到最優解的輸出和曲線繪制，每個步驟都精心設計，確保演算法的高效運行。
現在，讓我們一起駕馭遺傳演算法的力量，通過實踐學習和理解這個強大的求解工具，在MATLAB的世界裡探索無盡的可能性。在數樂君的引導下，歡迎同學們一起加入這個知識探索之旅，共同體驗科學的魅力。

❸ 遺傳演算法matlab程序代碼

下面是一個簡單的遺傳演算法（Genetic Algorithm, GA）的MATLAB實現框架，用於解決基本的優化問題。此代碼未包含所有可能的優化和細節，但足以展示GA的基本結構。

```matlab
function [best_sol, best_val] = simple_ga(fitness_func, pop_size, num_gen, num_vars, var_bounds)
% 初始化種群
pop = repmat(var_bounds(:,1) + (var_bounds(:,2) - var_bounds(:,1)) .* rand(pop_size, num_vars), 1, 1);

% 遺傳演算法主循環
for gen = 1:num_gen
% 計算適應度
fitness = arrayfun(@(ind) fitness_func(ind), pop);

% 選擇操作（這里簡單使用輪盤賭選擇）
selected_indices = rouletteWheelSelection(fitness, pop_size);
mating_pool = pop(selected_indices, :);

% 交叉操作（單點交叉）
offspring = crossover(mating_pool, 0.7);

% 變異操作
offspring = mutation(offspring, 0.01, var_bounds);

% 更新種群
pop = offspring;

% 輸出當前最優解（可選）
[best_val, idx] = max(fitness);
best_sol = pop(idx, :);
fprintf('Generation %d: Best Fitness = %f\n', gen, best_val);
end
end

% 假設的輪盤賭選擇、交叉和變異函數需要用戶根據具體問題實現
```

注意：此代碼框架中，`fitness_func` 是用戶定義的適應度函數，`pop_size` 是種群大小，`num_gen` 是迭代次數（即代數），`num_vars` 是變數的數量，`var_bounds` 是變數界限的矩陣（每行代表一個變數的最小值和最大值）。此外，`rouletteWheelSelection`、`crossover` 和 `mutation` 函數需要根據具體問題具體實現，這里僅作為佔位符。