matlab遺傳算法工具箱函數及實例講解1

核心函數： 
      (1)function 
      [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始種群的生成函數 
      【輸出參數】 
       pop--生成的初始種群 
      【輸入參數】 
       num--種群中的個體數目 
       bounds--代表變量的上下界的矩陣 
       eevalFN--適應度函數 
       eevalOps--傳遞給適應度函數的參數 
       options--選擇編碼形式(浮點編碼或是二進制編碼)[precision F_or_B],如 
          precision--變量進行二進制編碼時指定的精度 
          F_or_B--為1時選擇浮點編碼，否則為二進制編碼,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)--遺傳算法函數 

      【輸出參數】 
          x--求得的最優解 
          endPop--最終得到的種群 
          bPop--最優種群的一個搜索軌跡 
      【輸入參數】 
          bounds--代表變量上下界的矩陣 
          evalFN--適應度函數 
          evalOps--傳遞給適應度函數的參數 
          startPop-初始種群 
          opts[epsilon prob_ops 
      display]--opts(1:2)等同于initializega的options參數，第三個參數控制是否輸出，一般為0。如[1e-6 1 0] 
          termFN--終止函數的名稱,如['maxGenTerm'] 
          termOps--傳遞個終止函數的參數,如[100] 
          selectFN--選擇函數的名稱,如['normGeomSelect'] 
          selectOps--傳遞個選擇函數的參數,如[0.08] 
          xOverFNs--交叉函數名稱表，以空格分開，如['arithXover heuristicXover simpleXover'] 
          xOverOps--傳遞給交叉函數的參數表，如[2 0;2 3;2 0] 
          mutFNs--變異函數表，如['boundaryMutation multiNonUnifMutation nonUnifMutation 
      unifMutation'] 
          mutOps--傳遞給交叉函數的參數表,如[4 0 0;6 100 3;4 100 3;4 0 0] 

      注意】matlab工具箱函數必須放在工作目錄下 
      【問題】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9 
      【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08 
      【程序清單】 
         %編寫目標函數 
           function[sol,eval]=fitness(sol,options) 
             x=sol(1); 
             eval=x+10*sin(5*x)+7*cos(4*x); 
         %把上述函數存儲為fitness.m文件并放在工作目錄下 
          
         initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為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次遺傳迭代 

      運算借過為：x = 
         7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553) 

      注：遺傳算法一般用來取得近似最優解，而不是最優解。