遗传算法-由MATLAB程序设计语言编写.rar

【实例简介】
本遗传算法由12个M文件组成，其中Genetic.m包含了主函数，其余文件均为包含子函数的文件，由主函数调用。下面对包含子函数的文件进行一一说明。 function Population = PopulationInitialize( MemberLength,MemberNumber ) 此函数返回一群二进制编码的初始染色体（MemberNumber* MemberLength的矩阵，不同的行代表不同的染色体），参数MemberNumber， MemberLength分别指定了染色体的数目和每个染色体的长度。 function PopulationFitness = Fitness( PopulationCode,FunctionFitness,MinX,MaxX,MemberLength ) 此函数返回每个染色体的适应值， 参数PopulationCode包含了染色体群体，参数FunctionFitness指定了计算适应度的函数（也即目标函数）, 为一字符串，MinX,MaxX两个参数指定了自变量的区间，MemberLength依然是染色体长度。 function PopulationData = Translate( PopulationCode,MinX,MaxX,MemberLength ) 此函数是Fitness的子函数，用来计算二进制编码的染色体所对应的十进制数。 function PopulationFitness = Transfer( PopulationCode,,FunctionFitnessMinX,MaxX,MemberLength ) 此函数是Fitness的子函数，计算在自变量去某个值时的目标函数值。 function PopulationFitnessF = FitnessF( PopulationFitness,Fmin ) 此函数根据每个染色体的目标函数值，计算其适应值。 function PopulationProbability = Probability( PopulationFitness ) 此函数根据染色体的适应值，计算染色体的生存概率。 function [ NewPopulationIncludeMax,CurrentBest,EachGenMaxFitness ] = Elitist( Population,PopulationFitness,MemberLength ) 此函数根据“适者生存”的原则，淘汰不适者，然后更新染色体群。 function NewPopulation = Mutation( Population,MutationProbability ) 此函数根据变异概率，是染色体发生变异，把变异后的染色体群作为新的染色体群。 function NewPopulation = Select( Population,PopulationProbability,MemberNumber ) 此函数起着“择优保留”的作用。 function NewPopulation = Crossing( Population,FunctionFitness,MinX,MaxX,MemberLength ) 此函数完成染色体交叉互换的过程。 在CommandWindow中输入命令： >>[ Count,Result,BestMember ] = Genetic( 22,6,'sin(x)',-1,2,-2,0.01,50 ).参数含义如下： 染色体群体一共有6个，每个染色体长度为22，目标函数为sin(x)，搜索区间为[-1,2]，Fmin=-2，变异概率为0.01，遗传代数为40。 返回值含义如下： 遗传代数50代，在遗传到第50代时，自变量为1.5502，目标函数值为 0.9998.
【实例截图】
【核心代码】
4744302542925949029.rar
└── 遗传算法
├── Crossing.m
├── Elitist.m
├── FitnessF.m
├── Fitness.m
├── Genetic.m
├── Mutation.m
├── PopulationInitialize.m
├── Probability.m
├── Select.m
├── Transfer.m
├── Translate.m
└── 遗传算法使用说明.pdf

1 directory, 12 files