遺伝的アルゴリズムのMatlabの実現

前書き

良い人は次世代を再現します（適応度関数の高い体を選ぶ確率は100％ではなく高くなります）

基本的な手順

コーディング：最適化される問題は数学言語（ソリューション空間でx1、x2）で記述され、遺伝的アルゴリズム空間で遺伝子文字列構造データにマッピングされます。
初期文字列構造データはランダムに生成されます。
個別：各文字列構造データ

選択：次世代への良好な特性の可能性が高くなります
クロスオーバー：新しい個人は親個人の特性を保持する可能性が高くなりますが、いくつかの変更と
突然変異があります：各個人は新しい変更を行う機会がありますローカル変数で、ソリューション空間の多様性を確保するため

Fitness.m

function [sol, fitnessVal] = fitness(sol, options)

x = sol(1);

fitnessVal = x + 10*sin(5*x)+7*cos(4*x);%最大值

%如果是求最小值fitnessVal = -1 * （x + 10*sin(5*x)+7*cos(4*x)）;
end

main.m

%% I. 清空环境变量
clear all %右侧
clc %下方

%% II. 绘制函数曲线
%可以先运行这一片段，看下最大值在什么位置
x = 0:0.01:9;
y =  x + 10*sin(5*x)+7*cos(4*x); 

figure
plot(x, y)
xlabel('自变量')
ylabel('因变量')
title('y = x + 10*sin(5*x) + 7*cos(4*x)')


%% III. 初始化种群
%如果是求最小值，就把目标函数变成1/y
initPop = initializega(50,[0 9],'fitness');%种群规模大小是50个；适应度函数值，目标函数就是适应度函数

%单独调试会形成initPop函数（50*2），第二列是第一列对应的适应度函数

%% IV. 遗传算法优化
[x, endPop, bpop, trace] = ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,...
                           'normGeomSelect',0.08,'arithXover',2,'nonUnifMutation',[2 25 3]);


%% V. 输出最优解并绘制最优点
x
plot (endPop(:,1),endPop(:,2),'ro')
hold on

%% VI. 绘制迭代进化曲线
figure(2)
plot(trace(:,1),trace(:,3),'b:')
hold on
plot(trace(:,1),trace(:,2),'r-')
xlabel('Generation'); ylabel('Fittness');
legend('Mean Fitness', 'Best Fitness')