ga.m

goat工具箱 遗传算法主函数祥解 goat工具箱 是网上流传最广的一个遗传工具箱

if n<9 %Default select opts only i.e. roullete wheel.默认为轮盘赌选择算法
   selectOps=[];
end
if n<8 %Default select info
   selectFN=['normGeomSelect'];
   selectOps=[0.08];
end
if n<6 %Default termination information，默认终止函数信息
   termOps=[100];%默认遗传100代
   termFN='maxGenTerm';
end
if n<4 %No starting population passed given，没有给定初始化的种群
   startPop=[];
end
if isempty(startPop) %Generate a population at random，如果没有给定初始种群，则随机生成
   %startPop=zeros(80,size(bounds,1)+1);
   startPop=initializega(80,bounds,evalFN,evalOps,opts(1:2));%生成初始化的种群opts = [1e-6 1 0]
end

if opts(2)==0 %binary,二进制编码
   bits=calcbits(bounds,opts(1));%找出在bounds范围内满足精度的bit位数
end

xOverFNs=parse(xOverFNs);%分析交叉函数
mutFNs=parse(mutFNs);%分析变异函数

xZomeLength   = size(startPop,2);   %Length of the xzome=numVars+fittness，返回个体的变量数目加上适值所占一位
numVar        = xZomeLength-1;    %Number of variables，得到变量数目
popSize       = size(startPop,1);   %Number of individuals in the pop，得到个体大小
endPop        = zeros(popSize,xZomeLength); %A secondary population matrix，下一代种群矩阵
c1            = zeros(1,xZomeLength);   %An individual，得到一个个体，为交叉准备
c2            = zeros(1,xZomeLength);   %An individual，得到另一个个体，为交叉准备
numXOvers     = size(xOverFNs,1);   %Number of Crossover operators，交叉操作的数目
numMuts       = size(mutFNs,1);    %Number of Mutation operators，变异操作数目
epsilon       = opts(1);                  %Threshold for two fittness to differ，表示二进制的精度
oval          = max(startPop(:,xZomeLength)); %Best value in start pop，适值最大的个体，也就是最后好的个体在一代中
bFoundIn      = 1;     %Number of times best has changed，最优个体改变的数目
done          = 0;            %Done with simulated evolution，进化是否结束的标志
gen           = 1;     %Current Generation Number，当前的种群数
collectTrace = (nargout>3);    %Should we collect info every gen，是否每代都进行信息收集
floatGA       = opts(2)==1;           %Probabilistic application of ops，是否是浮点编码
display       = opts(3);              %Display progress，显示过程

while(~done)     %当模拟进化没有进行的时候
   %Elitist Model
   [bval,bindx] = max(startPop(:,xZomeLength)); %Best of current pop，
                                     %得到当前种群中最优的个体   startPop的最后一列保存的是适应度值
   best =   startPop(bindx,:);

   if collectTrace %如果需要收集数据
     traceInfo(gen,1)=gen;              %current generation，当前代数
     traceInfo(gen,2)=startPop(bindx,xZomeLength);        %Best fittness，当前最优的适值
     traceInfo(gen,3)=mean(startPop(:,xZomeLength));      %Avg fittness，当前代中平均适值
     traceInfo(gen,4)=std(startPop(:,xZomeLength));       %当前代中适值的标准差
   end
  
   if ( (abs(bval - oval)>epsilon) | (gen==1)) %If we have a new best sol，如果产生了新的更优的个体，或者是第一代计算
     if display %如果需要显示计算过程
       fprintf(1,'\n%d %f\n',gen,bval);           %Update the display，显示当前的代数和最优适值
     end
     if floatGA
       bPop(bFoundIn,:)=[gen startPop(bindx,:)]; %Update bPop Matrix，同时改变最优的适值和个体，并记录
     else
       bPop(bFoundIn,:)=[gen b2f(startPop(bindx,1:numVar),bounds,bits)...
    startPop(bindx,xZomeLength)]; %返回最优个体和最优值的浮点数信息
     end
     bFoundIn=bFoundIn+1;                       %Update number of changes，增加一次改变
     oval=bval;                                 %Update the best val，更新最优的适值
   else
     if display
       fprintf(1,'%d ',gen);                %Otherwise just update num gen，仅仅显示当前的代数
     end
   end
  
   endPop = feval(selectFN,startPop,[gen selectOps]); %Select，通过选择，得到下一代的种群
  
   if floatGA %Running with the model where the parameters are numbers of ops浮点数，执行
     for i=1:numXOvers, %对每一个交叉函数
       for j=1:xOverOps(i,1),
a = round(rand*(popSize-1)+1);   %Pick a parent，随机得到交叉的父代个体代号
b = round(rand*(popSize-1)+1);   %Pick another parent
xN=deblank(xOverFNs(i,:));   %Get the name of crossover function，得到要交叉的函数
[c1 c2] = feval(xN,endPop(a,:),endPop(b,:),bounds,[gen xOverOps(i,:)]); %通过交叉，得到新的两个个体

if c1(1:numVar)==endPop(a,(1:numVar)) %Make sure we created a new %确保得到的个体区别于父体，如果相同，直接留到下一代
    c1(xZomeLength)=endPop(a,xZomeLength); %solution before evaluating
elseif c1(1:numVar)==endPop(b,(1:numVar))
    c1(xZomeLength)=endPop(b,xZomeLength);
else 
    %执行eval(e1str)对应[c1(xZomeLength) c1] = feval(evalFN,c1,[genevalOps]);，如果不相同，得到个体，并计算适值函数值
    eval(e1str);
end
if c2(1:numVar)==endPop(a,(1:numVar)) %另一个个体的操作同上
    c2(xZomeLength)=endPop(a,xZomeLength);
elseif c2(1:numVar)==endPop(b,(1:numVar))
    c2(xZomeLength)=endPop(b,xZomeLength);
else 
    %[c2(xZomeLength) c2] = feval(evalFN,c2,[gen evalOps]);
    eval(e2str);
end      

endPop(a,:)=c1; %用新的个体代替原有的个体
endPop(b,:)=c2;
       end
     end
  
     for i=1:numMuts, %对每一个变异函数
       for j=1:mutOps(i,1),
a = round(rand*(popSize-1)+1); %随机产生变异的个体
c1 = feval(deblank(mutFNs(i,:)),endPop(a,:),bounds,[gen mutOps(i,:)]); %对每个函数，将选择变异的个体进行变异
if c1(1:numVar)==endPop(a,(1:numVar)) %确保产生了新的个体
    c1(xZomeLength)=endPop(a,xZomeLength);
else
    %[c1(xZomeLength) c1] = feval(evalFN,c1,[gen evalOps]);
    eval(e1str); %得到新的个体，并得到适值
end
endPop(a,:)=c1; %用新的个体代替原有的个体
       end
     end
    
   else %We are running a probabilistic model of genetic operators，在概率下进行交叉
     for i=1:numXOvers, %对每一个交叉函数运算
       xN=deblank(xOverFNs(i,:));   %Get the name of crossover function，得到交叉函数
       cp=find(rand(popSize,1)<xOverOps(i,1)==1); 
       if rem(size(cp,1),2) cp=cp(1:(size(cp,1)-1)); end
       cp=reshape(cp,size(cp,1)/2,2);
       for j=1:size(cp,1)
a=cp(j,1); b=cp(j,2); 
[endPop(a,:) endPop(b,:)] = feval(xN,endPop(a,:),endPop(b,:),...
    bounds,[gen xOverOps(i,:)]);
       end
     end
     for i=1:numMuts %对每一个变异操作
       mN=deblank(mutFNs(i,:)); %得到变异函数
       for j=1:popSize
endPop(j,:) = feval(mN,endPop(j,:),bounds,[gen mutOps(i,:)]); %变异并产生适值
eval(e1str);
       end
     end
   end
  
   gen=gen+1; %代数加一
   done=feval(termFN,[gen termOps],bPop,endPop); %See if the ga is done，是否满足结束条件
   startPop=endPop;     %Swap the populations，替换新的种群
  
   [bval,bindx] = min(startPop(:,xZomeLength)); %Keep the best solution
   startPop(bindx,:) = best;    %replace it with the worst
end

[bval,bindx] = max(startPop(:,xZomeLength)); %得到最优的个体，并显示
if display 
   fprintf(1,'\n%d %f\n',gen,bval);   
end

x=startPop(bindx,:); %得到当代的最优解
if opts(2)==0 %binary，如果是二进制编码，得到他的浮点数表示形式
   x=b2f(x,bounds,bits);
   bPop(bFoundIn,:)=[gen b2f(startPop(bindx,1:numVar),bounds,bits)...
       startPop(bindx,xZomeLength)];
else
   bPop(bFoundIn,:)=[gen startPop(bindx,:)];
end

if collectTrace %记录下来遗传的轨迹
   traceInfo(gen,1)=gen;    %current generation
   traceInfo(gen,2)=startPop(bindx,xZomeLength); %Best fittness
   traceInfo(gen,3)=mean(startPop(:,xZomeLength)); %Avg fittness
end