ga_find_minimal.m

遗传算法

clc
clear all
%【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 
%      function[sol,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 
    
%以下为遗传算法 
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 

%运算结果为：x = 7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553) 

% 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 
%     opts[epsilon 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]