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。 



遺傳算法實例2 

【問題】在－5<=Xi<=5,i=1,2區間內，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】種群大小10，最大代數1000，變異率0.1,交叉率0.3 
【程序清單】 

％源函數的matlab代碼 
      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; 
  %適應度函數的matlab代碼 
      function [sol,eval]=fitness(sol,options) 
        numv=size(sol,2)-1; 
        x=sol(1:numv); 
        eval=f(x); 
        eval=-eval; 
  %遺傳算法的matlab代碼 
      bounds=ones(2,1)*[-5 5]; 
      [p,endPop,bestSols,trace]=ga(bounds,'fitness')