遗传算法 matlab
首先什么是遗传算法：一个非常好的理解遗传算法的例子 强烈推荐入门
遗传算法的手工模拟计算示例
为更好地理解遗传算法的运算过程，下面用手工计算来简单地模拟遗传算法的各
个主要执行步骤。
例：求下述二元函数的最大值：
(1) 个体编码
遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种
符号串。本题中，用无符号二进制整数来表示。
因 x1, x2 为 0 ~ 7之间的整数，所以分别用3位无符号二进制整数来表示，将它
们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可
行解。
例如，基因型 X＝101110 所对应的表现型是：x＝[ 5，6 ]。
个体的表现型x和基因型X之间可通过编码和解码程序相互转换。
(2) 初始群体的产生
遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始
群体数据。
本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机
方法产生。
如：011101，101011，011100，111001
(3) 适应度汁算
遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传
机会的大小。
本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接
利用目标函数值作为个体的适应度。
(4) 选择运算
选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代
群体中。
本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中
的数量。其具体操作过程是：
• 先计算出群体中所有个体的适应度的总和 fi ( i=1.2,…,M );
• 其次计算出每个个体的相对适应度的大小 fi / fi ，它即为每个个体被遗传
到下一代群体中的概率，
• 每个概率值组成一个区域，全部概率值之和为1；
• 最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区
域内来确定各个个体被选中的次数。
(5) 交叉运算
交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某
两个个体之间的部分染色体。
本例采用单点交叉的方法，其具体操作过程是：
• 先对群体进行随机配对；
• 其次随机设置交叉点位置；
• 最后再相互交换配对染色体之间的部分基因。
(6) 变异运算
变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率进
行改变，它也是产生新个体的一种操作方法。
本例中，我们采用基本位变异的方法来进行变异运算，其具体操作过程是：
• 首先确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，
其中的数字表示变异点设置在该基因座处；
• 然后依照某一概率将变异点的原有基因值取反。
对群体P(t)进行一轮选择、交叉、变异运算之后可得到新一代的群体p(t+1)。
从上表中可以看出，群体经过一代进化之后，其适应度的最大值、平均值都得
到了明显的改进。事实上，这里已经找到了最佳个体“111111”。
[注意]
需要说明的是，表中有些栏的数据是随机产生的。这里为了更好地说明问题，
我们特意选择了一些较好的数值以便能够得到较好的结果，而在实际运算过程中
有可能需要一定的循环次数才能达到这个最优结果。
大概知道了什么叫遗传算法，那如何通过Matlab的工具箱进行使用？
数学学院遗传算法一份ppt
提取密码：fz87
遗传算法的工具箱有很多种 ：
Genetic Algorithm Tool 简称GATOOL->GADS
可以以命令行方式调用遗传算法函数ga
help ga
ga constrained optimization using genetic algorithm.
ga attempts to solve problems of the following forms:
min F(X) subject to: A*X <= B, Aeq*X = Beq (linear constraints)
X C(X) <= 0, Ceq(X) = 0 (nonlinear constraints)
LB <= X <= UB
X(i) integer, where i is in the index
vector INTCON (integer constraints)
Note: If INTCON is not empty, then no equality constraints are allowed.
That is:-
* Aeq and Beq must be empty
* Ceq returned from NONLCON must be empty
X = ga(FITNESSFCN,NVARS) finds a local unconstrained Minimum X to the
FITNESSFCN using ga. NVARS is the dimension (number of design
variables) of the FITNESSFCN. FITNESSFCN accepts a vector X of size
1-by-NVARS, and returns a scalar evaluated at X.
X = ga(FITNESSFCN,NVARS,A,b) finds a local minimum X to the function
FITNESSFCN, subject to the linear inequalities A*X <= B. Linear
constraints are not satisfied when the PopulationType option is set to
'bitString' or 'custom'. See the documentation for details.
X = ga(FITNESSFCN,NVARS,A,b,Aeq,beq) finds a local minimum X to the
function FITNESSFCN, subject to the linear equalities Aeq*X = beq as
well as A*X <= B. (Set A=[] and B=[] if no inequalities exist.) Linear
constraints are not satisfied when the PopulationType option is set to
'bitString' or 'custom'. See the documentation for details.
X = ga(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub) defines a set of lower and
upper bounds on the design variables, X, so that a solution is found in
the range lb <= X <= ub. Use empty matrices for lb and ub if no bounds
exist. Set lb(i) = -Inf if X(i) is unbounded below; set ub(i) = Inf if
X(i) is unbounded above. Linear constraints are not satisfied when the
PopulationType option is set to 'bitString' or 'custom'. See the
documentation for details.
X = ga(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub,NONLCON) subjects the
minimization to the constraints defined in NONLCON. The function
NONLCON accepts X and returns the vectors C and Ceq, representing the
nonlinear inequalities and equalities respectively. ga minimizes
FITNESSFCN such that C(X)<=0 and Ceq(X)=0. (Set lb=[] and/or ub=[] if
no bounds exist.) Nonlinear constraints are not satisfied when the
PopulationType option is set to 'bitString' or 'custom'. See the
documentation for details.
X = ga(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub,NONLCON,options) minimizes
with the default optimization parameters replaced by values in the
structure OPTIONS. OPTIONS can be created with the GAOPTIMSET function.
See GAOPTIMSET for details.
X = ga(FITNESSFCN,NVARS,A,b,[],[],lb,ub,NONLCON,INTCON) requires that
the variables listed in INTCON take integer values. Note that ga does
not solve problems with integer and equality constraints. Pass empty
matrices for the Aeq and beq inputs if INTCON is not empty.
X = ga(FITNESSFCN,NVARS,A,b,[],[],lb,ub,NONLCON,INTCON,options)
minimizes with integer constraints and the default optimization
parameters replaced by values in the structure OPTIONS. OPTIONS can be
created with the GAOPTIMSET function. See GAOPTIMSET for details.
X = ga(PROBLEM) finds the minimum for PROBLEM. PROBLEM is a structure
that has the following fields:
fitnessfcn: <Fitness function>
nvars: <Number of design variables>
Aineq: <A matrix for inequality constraints>
bineq: <b vector for inequality constraints>
Aeq: <Aeq matrix for equality constraints>
beq: <beq vector for equality constraints>
lb: <Lower bound on X>
ub: <Upper bound on X>
nonlcon: <Nonlinear constraint function>
intcon: <Index vector for integer variables>
options: <Options structure created with GAOPTIMSET>
rngstate: <State of the random number generator>
[X,FVAL] = ga(FITNESSFCN, ...) returns FVAL, the value of the fitness
function FITNESSFCN at the solution X.
[X,FVAL,EXITFLAG] = ga(FITNESSFCN, ...) returns EXITFLAG which
describes the exit condition of ga. Possible values of EXITFLAG and the
corresponding exit conditions are
1 average change in value of the fitness function over
options.StallGenlimit generations less than options.TolFun and
constraint violation less than options.TolCon.
3 The value of the fitness function did not change in
options.StallGenLimit generations and constraint violation less
than options.TolCon.
4 magnitude of step smaller than machine precision and constraint
violation less than options.TolCon. This exit condition APPlies
only to nonlinear constraints.
5 Fitness limit reached and constraint violation less than
options.TolCon.
0 Maximum number of generations exceeded.
-1 Optimization terminated by the output or plot function.
-2 No feasible point found.
-4 Stall time limit exceeded.
-5 Time limit exceeded.
[X,FVAL,EXITFLAG,OUTPUT] = ga(FITNESSFCN, ...) returns a
structure OUTPUT with the following information:
rngstate: <State of the random number generator before ga started>
generations: <Total generations, excluding HybridFcn iterations>
funccount: <Total function evaluations>
maxconstraint: <Maximum constraint violation>, if any
message: <ga termination message>
[X,FVAL,EXITFLAG,OUTPUT,POPULATION] = ga(FITNESSFCN, ...) returns the
final POPULATION at termination.
[X,FVAL,EXITFLAG,OUTPUT,POPULATION,SCORES] = ga(FITNESSFCN, ...) returns
the SCORES of the final POPULATION.
Unconstrained minimization of 'rastriginsfcn' fitness function of
numberOfVariables = 2
x = ga(@rastriginsfcn,2)
display plotting functions while ga minimizes
options = gaoptimset('PlotFcns',...
{@gaplotbestf,@gaplotbestinp,@gaplotexpectation,@gaplotstopping});
[x,fval,exitflag,output] = ga(@rastriginsfcn,2,[],[],[],[],[],[],[],options)
An example with inequality constraints and lower bounds
A = [1 1; -1 2; 2 1]; b = [2; 2; 3]; lb = zeros(2,1);
% Use mutation function which can handle constraints
options = gaoptimset('MutationFcn',@mutationadaptfeasible);
[x,fval,exitflag] = ga(@lincontest6,2,A,b,[],[],lb,[],[],options);
FITNESSFCN can also be an anonymous function:
x = ga(@(x) 3*sin(x(1))+exp(x(2)),2)
If FITNESSFCN or NONLCON are parameterized, you can use anonymous
functions to capture the problem-dependent parameters. Suppose you want
to minimize the fitness given in the function myfit, subject to the
nonlinear constraint myconstr, where these two functions are
parameterized by their second argument a1 and a2, respectively. Here
myfit and myconstr are MATLAB file functions such as
function f = myfit(x,a1)
f = exp(x(1))*(4*x(1)^2 + 2*x(2)^2 + 4*x(1)*x(2) + 2*x(2) + a1);
and
function [c,ceq] = myconstr(x,a2)
c = [1.5 + x(1)*x(2) - x(1) - x(2);
-x(1)*x(2) - a2];
% No nonlinear equality constraints:
ceq = [];
To optimize for specific values of a1 and a2, first assign the values
to these two parameters. Then create two one-argument anonymous
functions that capture the values of a1 and a2, and call myfit and
myconstr with two arguments. finally, pass these anonymous functions to
ga:
a1 = 1; a2 = 10; % define parameters first
% Mutation function for constrained minimization
options = gaoptimset('MutationFcn',@mutationadaptfeasible);
x = ga(@(x)myfit(x,a1),2,[],[],[],[],[],[],@(x)myconstr(x,a2),options)
Example: Solving a mixed-integer optimization problem
An example of optimizing a function where a subset of the variables are
required to be integers:
% Define the objective and call ga. Here variables x(2) and x(3) will
% be integer.
fun = @(x) (x(1) - 0.2)^2 + (x(2) - 1.7)^2 + (x(3) -5.1)^2;
x = ga(fun,3,[],[],[],[],[],[],[],[2 3])
See also gaoptimset, FITNESSFUNCTION, gaoutputfcntemplate, patternsearch, @.
（模模糊糊不知道咋用）下面有两个实例：
函数 ga—— 带线性约束条件
适应度函数另存为：fun_1.m在当前目录
function y=fun_1(x); %x为自变量行向量
c=[2 4 6]; % c为目标函数系数向量
y=c*x‘ % y为适应度函数值，求两向量的数量积
A=[1 0 -1;-1 -2 0;-1 0 0]; % A为AX<=b的系数矩阵
b=[10;-1;0]; % b为AX<=b的常数项
Aeq=[0 1 1]; %AeqX=beq的系数矩阵
beq=12; %AeqX=beq的常数项
>> [x,y]=ga(@fun_1,3,A,b,Aeq,beq,[],[]);
>> [x,y]=ga(@fun_1,3,A,b,Aeq,beq); % 或
函数 ga—— 带非线性约束条件
这里有个要注意的地方，ga函数求取的是最小值。（参看help）
适应度函数另存为：fun_2.m在当前目录
function y=fun_2(x); %x为自变量行向量
temp=[1 2 5]*x'+[3 0 1]*x'.^2;
y=-temp; % 转换为求最小值
function [budengshi,dengshi]=yueshu(x);%非线性约束
budengshi=[4*x(1)^2+2*x(2)^2+x(3)-46;
x(1)+x(1)^2+x(2)^2-5*x(3)-34;
3*x(1)+2*x(1)^2+x(2)+3*x(3)-67];
dengshi=x(1)+x(3)^2-13;
A=[-2 -4 -6; -1 0 0; 0 1 0]; % A为AX<=b的系数矩阵
b=[-10; 0; 10]; % b为AX<=b的常数项
>>[x,y]=ga(@fun_2,3,A,b,[],[],[],[],@yueshu)
>>y=-y
至此，在matlab中优化工具箱中，利用ga函数（遗传算法），求解线性与非线性最优解的问题结束。
相关阅读
（一）蚁群算法的由来蚁群算法最早是由Marco Dorigo等人在1991年提出，他们在研究新型算法的过程中，发现蚁群在寻找食物时，通过分泌一种称
matlab r2013b 怎样激活？matlab是一款主要面对科学计算、可视化以及交互式程序设计的高科技计算环境，目前已经发布了多个版本，这里本
继承 在 MATLAB 中继承用 < 表示 多重继承在 < 后面的各个类之间用 & 连接 和其他语言一样，可以继承基类的属性和方法 构造函数
Matlab三维网格显示一张图片（meshgrid和mesh)
在很多时候想看看深度图或灰度图的三维效果，点云的方法固然更直接，但复杂不易上手，而用Matlab的三维网格显示则方便快速了许多，下面来
曲线拟合不要求逼近函数通过各采样点，但要求尽量的接近这些点，使误差在某种意义上达到最小。 （一）利用函数的方式实现曲线拟合： 在mat