matlab遗传算法工具箱函数及实例讲解（转引）
核心函数：
(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)-- 初始种群的生成函数
【输出参数】
pop-- 生成的初始种群
【输入参数】
num-- 种群中的个体数目
bounds-- 代表变量的上下界的矩阵
eevalFN-- 适应度函数
eevalOps-- 传递给适应度函数的参数
options-- 选择编码形式 ( 浮点编码或是二进制编码 )[precision F_or_B], 如
precision-- 变量进行二进制编码时指定的精度
F_or_B-- 为 1 时选择浮点编码，否则为二进制编码 , 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)-- 遗传算法函数
【输出参数】
x-- 求得的最优解
endPop-- 最终得到的种群
bPop-- 最优种群的一个搜索轨迹
【输入参数】
bounds-- 代表变量上下界的矩阵
evalFN-- 适应度函数
evalOps-- 传递给适应度函数的参数
startPop- 初始种群
opts[epsilon prob_ops display]--opts(1:2) 等同于 initializega 的 options 参数，第三个参数控制是否输出，一般为 0 。如 [1e-6 1 0]
termFN-- 终止函数的名称 , 如 ['maxGenTerm']
termOps-- 传递个终止函数的参数 , 如 [100]
selectFN-- 选择函数的名称 , 如 ['normGeomSelect']
selectOps-- 传递个选择函数的参数 , 如 [0.08]
xOverFNs-- 交叉函数名称表，以空格分开，如 ['arithXover heuristicXover simpleXover']
xOverOps-- 传递给交叉函数的参数表，如 [2 0;2 3;2 0]
mutFNs-- 变异函数表，如 ['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']
mutOps-- 传递给交叉函数的参数表 , 如 [4 0 0;6 100 3;4 100 3;4 0 0]
【注意】 matlab 工具箱函数必须放在工作目录下
示例1
【问题】求 f(x)=x+10sin(5x)+7cos(4x) 的最大值，其中 0<=x<=9
【分析】选择二进制编码，种群中的个体数目为 10 ，二进制编码长度为 20 ，交叉概率为 0.95, 变异概率为 0.08
【程序清单】
% 编写目标函数
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
% 把上述函数存储为 fitness.m 文件并放在工作目录下
initPop=initializega(10,[0 9],'fitness');% 生成初始种群，大小为 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 次遗传迭代
运算结果为： x = 7.8562 24.8553( 当 x 为 7.8562 时， f （ x ）取最大值 24.8553)
注：遗传算法一般用来取得近似最优解，而不是最优解。
示例2
【问题】在－ 5<=Xi<=5,i=1,2 区间内，求解
f(x1,x2)=-20exp(-0.2sqrt(0.5(x1.2+x2.2)))-exp(0.5(cos(2pix1)+cos(2pix2)))+22.71282 的最小值。
【分析】种群大小 10 ，最大代数 1000 ，变异率 0.1, 交叉率 0.3
【程序清单】
%源函数的 matlab 代码
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;
% 适应度函数的 matlab 代码
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
% 遗传算法的 matlab 代码
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
注：前两个文件存储为 m 文件并放在工作目录下，运行结果为
p = 0.0000 -0.0000 0.0055
大家可以直接绘出 f(x) 的图形来大概看看 f （ x ）的最值是多少，也可是使用优化函数来验证。 matlab 命令行执行命令: fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])
evalops 是传递给适应度函数的参数，
opts 是二进制编码的精度，
termops 是选择 maxGenTerm 结束函数时传递个 maxGenTerm 的参数，即遗传代数。
xoverops 是传递给交叉函数的参数。 mutops 是传递给变异函数的参数
