量子遺傳演算法matlab

A. 電腦開發與應用雜志怎麼樣編輯部投稿郵箱是多少電腦刊物投稿

電腦開發與應用影響因子 復合影響因子：0.388 綜合影響因子：0.151 電腦開發與應用雜志簡介 刊名： 電腦開發與應用 Computer Development & Applications 主辦： 中國北方自動控制技術研究所 周期： 月刊 出版地：山西省太原市 語種： 中文; 開本： 大16開 ISSN： 1003-5850 CN： 14-1133/TP 郵發代號： 22-96 歷史沿革： 現用刊名：電腦開發與應用 創刊時間：1985 本站溫馨提示 本站和國內數百家期刊雜志社有良好的合作關系，可以幫您快速發表論文: 1、速度更快捷 2、價格更低廉 3、通過率更高 4、選擇餘地更大，有數百家期刊可供選擇 5、先發表後確認款項 聯系人：李編輯 投稿專用e-mail: [email protected] (請註明投稿期刊） 雜志社投稿須知 一、摘要與關鍵詞:文章要提供100-200字的摘要,客觀反映論文的主要內容;提供3-5個關鍵詞,用分號隔開;撰寫的文章字數以2500-4500字為宜. 二、作者簡介:姓名(出生年月)、性別、工作單位、郵政編碼、職稱、職務、學歷、主要研究方向等(研究生須註明博士研究生或碩士研究生). 三、注釋:注釋序號(上標)用帶圓圈的阿拉伯數字表示,附於文末. 四、非正式出版物(如博士或碩士學位論文)、未正式發表的講話等不能作為參考文獻引用. 五、參考文獻的格式: 1、參考專著:[序號]作者.書名.出版地:出版社,出版年. 2、參考報紙、期刊:[序號]作者.文題.報刊名,出版年,卷(期、版次),其止頁碼(具體情況可以參照國家GB7714-87"文後參考文獻著錄規則"). 六、資助項目需註明資助者、項目編號. 七、體例要求:以"一"、"1"、"(1)"作為文章層次,(1)之下以小標題方式提煉主要觀點. 八、圖表要求:表格:將表名置於表上方居中;圖:將圖名置於圖下方居中.表、圖內文字統一用楷體. 九、為便於稿件的修改及聯絡,請作者提供聯系方式:通信地址:郵編、電話、手機、電子信箱等. 十、來稿一律通過電子郵件(WORD文檔附件)發送,嚴禁抄襲,文責自負,來稿必復 電腦開發與應用投稿範文 3 題名 量子遺傳演算法研究 作者 白小寶; 中文刊名 電腦開發與應用 單位 山西財經大學信息管理學院; 摘要 量子遺傳演算法是在遺傳演算法中引入量子計算的概念,是20世紀90年代新興的研究領域。介紹了遺傳演算法(GA)和量子演算法(QC)的特點,以及量子遺傳演算法(QGA)的基本理論與方法。並在Matlab下編程對量子遺傳演算法與傳統遺傳演算法的效率進行比較。 4 題名 突發環境污染事件應急平台設計與開發 作者 楊麗鳳; 中文刊名 電腦開發與應用 單位 太原理工大學計算機科學與技術學院; 摘要 近年突發重大環境污染事件頻繁發生,設計開發了一個突發環境污染事件應急平台,並在典型區域進行了示範應用。該平台以環境安全技術和信息技術為基礎,以應急管理技術為指導,可實現環境風險分析識別、環境風險源及風險企業日常管理、風險監測監控、重大環境污染事件的模擬預警、動態決策、綜合協調與總結評估等功能。 5 題名BP與RBF比較研究 作者 呂靜; 中文刊名 電腦開發與應用 單位 山西財經大學信息管理學院; 摘要 由於人工神經網路在符號處理、並行搜索、自組織聯想記憶等方面有獨特的優勢,因此成為人工智慧研究的熱點。目前,人工神經網路模型形式多樣,為了能夠清晰地了解人工神經網路,就兩種比較流行的神經網路:BP與RBF進行了介紹,研究了這兩種人工神經網路的結構演算法,並且對它們的結構演算法以及性能進行了比較。 6 題名 有線電視網路企業BOSS建設中的XML技術應用 作者 范曄; 中文刊名 電腦開發與應用 單位 太原有線電視網路有限公司; 摘要XML是可擴展的標識語言,是它使得SGML在萬維網上的語言形式得以應用自如,同時是用來描述其他語言結構的主要方法,因此它被稱之為智能資料庫。通過對XML技術展開了各層次的闡述,就其在有線電視網路企業BOSS系統結構及XML技術在生產、運營、應用中的各個方面分析,提出了合理的應用策略。

B. 求遺傳演算法的matlab程序

function
my_ga()
options=gaoptimset;
%設置變數范圍
options=gaoptimset(options,'PopInitRange',[0;9]);
%設置種群大小
options=gaoptimset(options,'PopulationSize',100);
%設置迭代次數
options=gaoptimset(options,'Generations',100);
%選擇選擇函數
options=gaoptimset(options,'SelectionFcn',@selectionroulette);
%選擇交叉函數
options=gaoptimset(options,'CrossoverFcn',@crossoverarithmetic);
%選擇變異函數
options=gaoptimset(options,'MutationFcn',@mutationuniform);
%設置繪圖:解的變化、種群平均值的變化
options=gaoptimset(options,'PlotFcns',{@gaplotbestf});
%執行遺傳演算法，fitness.m是函數文件
[x,fval]=ga(@fitness,1,options)

C. 遺傳演算法的matlab代碼實現是什麼

遺傳演算法我懂，我的論文就是用著這個演算法，具體到你要遺傳演算法是做什麼？優化什麼的。。。我給你一個標准遺傳演算法程序供你參考：
該程序是遺傳演算法優化BP神經網路函數極值尋優：
%% 該代碼為基於神經網路遺傳演算法的系統極值尋優
%% 清空環境變數
clc
clear

%% 初始化遺傳演算法參數
%初始化參數
maxgen=100; %進化代數，即迭代次數
sizepop=20; %種群規模
pcross=[0.4]; %交叉概率選擇，0和1之間
pmutation=[0.2]; %變異概率選擇，0和1之間

lenchrom=[1 1]; %每個變數的字串長度，如果是浮點變數，則長度都為1
bound=[-5 5;-5 5]; %數據范圍

indivials=struct('fitness',zeros(1,sizepop), 'chrom',[]); %將種群信息定義為一個結構體
avgfitness=[]; %每一代種群的平均適應度
bestfitness=[]; %每一代種群的最佳適應度
bestchrom=[]; %適應度最好的染色體

%% 初始化種群計算適應度值
% 初始化種群
for i=1:sizepop
%隨機產生一個種群
indivials.chrom(i,:)=Code(lenchrom,bound);
x=indivials.chrom(i,:);
%計算適應度
indivials.fitness(i)=fun(x); %染色體的適應度
end
%找最好的染色體
[bestfitness bestindex]=min(indivials.fitness);
bestchrom=indivials.chrom(bestindex,:); %最好的染色體
avgfitness=sum(indivials.fitness)/sizepop; %染色體的平均適應度
% 記錄每一代進化中最好的適應度和平均適應度
trace=[avgfitness bestfitness];

%% 迭代尋優
% 進化開始
for i=1:maxgen
i
% 選擇
indivials=Select(indivials,sizepop);
avgfitness=sum(indivials.fitness)/sizepop;
%交叉
indivials.chrom=Cross(pcross,lenchrom,indivials.chrom,sizepop,bound);
% 變異
indivials.chrom=Mutation(pmutation,lenchrom,indivials.chrom,sizepop,[i maxgen],bound);

% 計算適應度
for j=1:sizepop
x=indivials.chrom(j,:); %解碼
indivials.fitness(j)=fun(x);
end

%找到最小和最大適應度的染色體及它們在種群中的位置
[newbestfitness,newbestindex]=min(indivials.fitness);
[worestfitness,worestindex]=max(indivials.fitness);
% 代替上一次進化中最好的染色體
if bestfitness>newbestfitness
bestfitness=newbestfitness;
bestchrom=indivials.chrom(newbestindex,:);
end
indivials.chrom(worestindex,:)=bestchrom;
indivials.fitness(worestindex)=bestfitness;

avgfitness=sum(indivials.fitness)/sizepop;

trace=[trace;avgfitness bestfitness]; %記錄每一代進化中最好的適應度和平均適應度
end
%進化結束

%% 結果分析
[r c]=size(trace);
plot([1:r]',trace(:,2),'r-');
title('適應度曲線','fontsize',12);
xlabel('進化代數','fontsize',12);ylabel('適應度','fontsize',12);
axis([0,100,0,1])
disp('適應度 變數');
x=bestchrom;
% 窗口顯示
disp([bestfitness x]);

D. 量子遺傳演算法的優勢在哪

優勢都是理論上說比較好 實際上都差不多的 沒有什麼好演算法 真的那麼好的話 就沒有必要研究別的演算法了

E. 關於MATLAB遺傳演算法的問題

不知道你這個遺傳演算法得出的結果與你已知的最小值差距多大？其實遺傳演算法作為優化演算法，得到的只是優化解，不一定是最優解，此其一，其二，基本遺傳演算法可調整的參數太多，例如選擇，交叉的方法，而這些對結果影響還是比較大的，如果你用輪盤賭方法效果不怎樣，可以選擇用其他方法試試。

最後，matlab是有遺傳工具箱的，你可以直接使用工具箱得到結果，如果你不確定你的程序有沒有寫錯的話。也可以作為一個參考。

F. 求解：怎樣使用MATLAB中的遺傳演算法計算器Optimization Tool中的GA——Genetic Algorithm,如圖，重謝

比如通過MATLAB遺傳演算法的思想求解f(x)=x*sin(10pi*x)+2.0,-1<=x<=2的最大值問題，結果精確到3位小數。

首先在matlab命令窗口輸入f=@(x)-(x*sin(10*pi*x)+2) 輸出結果為

>> f=@(x)-(x*sin(10*pi*x)+2)

f =

@(x)-(x*sin(10*pi*x)+2)

接著輸入gatool會打開遺傳演算法工具箱

顯示51代之後演算法終止，最小結果為-3.85027334719567，對應的x為1.851，由於自定義函數加了負號，所以原式的最大值為3.85027334719567，對應的x為1.851。

不過這是遺傳演算法得到的結果，每次運行的結果可能會有所不同，而且不一定是確切的最大值。

遺傳演算法適合應用在一些求最優解比較復雜的問題（常規的演算法運算時間過長，甚至無法解決）。

G. 求教matlab遺傳演算法問題

clc
clear all
close all
%% 畫出函數圖
figure(1);
lbx=0;ubx=8; %函數自變數x范圍【0,8】
lby=0;uby=8; %函數自變數y范圍【0,8】
ezmesh('sin(pi*x)/(pi*x)*sin(pi*y)/(pi*y)',[lbx,ubx,lby,uby],50); %畫出函數曲線
hold on;
%% 定義遺傳演算法參數
NIND=40; %個體數目
MAXGEN=50; %最大遺傳代數
PRECI=20; %變數的二進制位數
GGAP=0.95; %代溝
px=0.7; %交叉概率
pm=0.01; %變異概率
trace=zeros(3,MAXGEN); %尋優結果的初始值
FieldD=[PRECI PRECI;lbx lby;ubx uby;1 1;0 0;1 1;1 1]; %區域描述器
Chrom=crtbp(NIND,PRECI*2); %初始種群
%% 優化
gen=0; %代計數器
XY=bs2rv(Chrom,FieldD); %計算初始種群的十進制轉換
X=XY(:,1);Y=XY(:,2);
ObjV=sin(pi*x)/(pi*x)*sin(pi*y)/(pi*y); %計算目標函數值
while gen<MAXGEN
FitnV=ranking(-ObjV); %分配適應度值
SelCh=select('sus',Chrom,FitnV,GGAP); %選擇
SelCh=recombin('xovsp',SelCh,px); %重組
SelCh=mut(SelCh,pm); %變異
XY=bs2rv(SelCh,FieldD); %子代個體的十進制轉換
X=XY(:,1);Y=XY(:,2);
ObjVSel=sin(pi*x)/(pi*x)*sin(pi*y)/(pi*y); %計運算元代的目標函數值
[Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代，得到新種群
XY=bs2rv(Chrom,FieldD);
gen=gen+1; %代計數器增加
%獲取每代的最優解及其序號，Y為最優解,I為個體的序號
[Y,I]=max(ObjV);
trace(1:2,gen)=XY(I,:); %記下每代的最優值
trace(3,gen)=Y; %記下每代的最優值
end
plot3(trace(1,:),trace(2,:),trace(3,:),'bo'); %畫出每代的最優點
grid on;
plot3(XY(:,1),XY(:,2),ObjV,'bo'); %畫出最後一代的種群
hold off
%% 畫進化圖
figure(2);
plot(1:MAXGEN,trace(3,:));
grid on
xlabel('遺傳代數')
ylabel('解的變化')
title('進化過程')
bestZ=trace(3,end);
bestX=trace(1,end);
bestY=trace(2,end);
fprintf(['最優解:\nX=',num2str(bestX),'\nY=',num2str(bestY),'\nZ=',num2str(bestZ),'\n'])