matlab遺傳演算法怎麼用

㈠ 如何用matlab遺傳演算法求解方程最優問題

在用ga（）遺傳演算法函數時，除了考慮x1、x2的上、下界的限制值，還應考慮增加ymax<200的限制條件，即

140.6+2.31x1-0.61x2-0.015x1^2+0.005x1x2<200

按此要求修改，運行可以得到

x 1= 42.7066 ； x 2=30.0015；y=199.9999

㈡ 如何調用MATLAB遺傳演算法工具箱

1、打開MATLAB軟體。

㈢ matlab工具箱中的神經網路和遺傳演算法要怎麼調用

都是有兩種調用方法，一種圖形界面的，這個從開始菜單，然後工具，然後從裡面找神經網路
neural
network，遺傳演算法工具是
全局優化工具箱裡面的，global
optimization。
另外
一種通過命令行調用，這個需要你理解你都要做什麼，我用神經網路舉例。第一步需要先整理出輸入變數和輸出變數，第二步設計並初始化神經網路，第三部訓練，第四部獲得結果。
如果你想結合這兩者，就會更加復雜，詳細的你可以再問。我曾經做過用遺傳演算法優化神經網路的工具。

㈣ 如何用matlab遺傳演算法編程

有兩種方法，一種是用matlab自帶的遺傳演算法工具箱；還有一種是自己編寫遺傳演算法解決問題。第二種方法的話，網上可以找到很多遺傳演算法的matlab代碼，我也可以提供。第一種的話，有一定的局限性。

㈤ 如何用matlab解決多元遺傳演算法問題

如何用matlab解決多元遺傳演算法的極值問題？可以按下列步驟做

1、首先，建立自定義帶條件的最大值目標函數文件，ga_fun.m

if x(1)+x(2)>=-1

y=-（exp(-0.1*(x(1)^4+x(2)^4))+ exp(cos(2*pi*x(1))+cos(2*pi*x(2)))

）

else

y=inf

end

式中:x=x(1),y=x(2)

2、利用ga遺傳演算法工具箱求解

3、在工具箱中，Fitness function項輸入@ga_fun；Number of variables項輸入2；Lower項輸入[-1,2]；Upper項輸入[2,1];

4、點擊Start按鈕，運行可以得到 fmax(0,0)值(Objective function value)。說明這里負號是最大值的標志

運行界面

㈥ 怎麼調用matlab遺傳演算法工具箱啊

直接在命令窗口裡邊輸入gatool就行了，用遺傳演算法還可以使用ga函數，具體使用格式可以在help系統里看ga，你還可以按照如下步驟打開遺傳演算法工具箱：1，打開matlab，2點擊左下方的start按鈕
3，點toolboxes，打開後選擇genetic
algorithm
and
direct
search
然後就可以進入gatool了，然後就會彈出ga工具箱（註：我的版本是7.7的，不同版本可能不同），希望對你有用哈！

㈦ matlab中遺傳演算法如何使用

看情況是你沒安裝GA工具箱，就是要將GA工具箱（一系列m文件）復制到到matlab目錄下的toolbox文件夾裡面，之後打開matlab，點擊工具欄 file-set path-add folder，把GA工具箱所在的文件夾添加進去。

㈧ 在matlab中如何用遺傳演算法求極值

matlab有遺傳演算法工具箱。

核心函數：
(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始種群的生成函數
【輸出參數】
pop--生成的初始種群
【輸入參數】
num--種群中的個體數目
bounds--代表變數的上下界的矩陣
eevalFN--適應度函數
eevalOps--傳遞給適應度函數的參數
options--選擇編碼形式(浮點編碼或是二進制編碼)[precision F_or_B],如
precision--變數進行二進制編碼時指定的精度
F_or_B--為1時選擇浮點編碼，否則為二進制編碼,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)--遺傳演算法函數
【輸出參數】
x--求得的最優解
endPop--最終得到的種群
bPop--最優種群的一個搜索軌跡
【輸入參數】
bounds--代表變數上下界的矩陣
evalFN--適應度函數
evalOps--傳遞給適應度函數的參數
startPop-初始種群
opts[epsilon prob_ops display]--opts(1:2)等同於initializega的options參數，第三個參數控制是否輸出，一般為0。如[1e-6 1 0]
termFN--終止函數的名稱,如['maxGenTerm']
termOps--傳遞個終止函數的參數,如[100]
selectFN--選擇函數的名稱,如['normGeomSelect']
selectOps--傳遞個選擇函數的參數,如[0.08]
xOverFNs--交叉函數名稱表，以空格分開，如['arithXover heuristicXover simpleXover']
xOverOps--傳遞給交叉函數的參數表，如[2 0;2 3;2 0]
mutFNs--變異函數表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']
mutOps--傳遞給交叉函數的參數表,如[4 0 0;6 100 3;4 100 3;4 0 0]

注意】matlab工具箱函數必須放在工作目錄下
【問題】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08
【程序清單】
%編寫目標函數
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函數存儲為fitness.m文件並放在工作目錄下

initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為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次遺傳迭代

運算借過為：x =
7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553)

註：遺傳演算法一般用來取得近似最優解，而不是最優解。

遺傳演算法實例2

【問題】在－5<=Xi<=5,i=1,2區間內，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。
【分析】種群大小10，最大代數1000，變異率0.1,交叉率0.3
【程序清單】
％源函數的matlab代碼
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;
%適應度函數的matlab代碼
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遺傳演算法的matlab代碼
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')

註：前兩個文件存儲為m文件並放在工作目錄下，運行結果為
p =
0.0000 -0.0000 0.0055

大家可以直接繪出f(x)的圖形來大概看看f（x）的最值是多少，也可是使用優化函數來驗證。matlab命令行執行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])

evalops是傳遞給適應度函數的參數，opts是二進制編碼的精度，termops是選擇maxGenTerm結束函數時傳遞個maxGenTerm的參數，即遺傳代數。xoverops是傳遞給交叉函數的參數。mutops是傳遞給變異函數的參數。

㈨ 用matlab遺傳演算法分析運動方式

(1)首先計算出所有個體的適應度總和Σfi。
(2)其次計算出每個個體的相對適應度大小fi/Σfi，類似於softmax。
(3)再產生一個0到1之間的隨機數，依據隨機數出現在上述哪個概率區域內來確定各個個體被選中的次數。
（4）交叉(交配)運算。該步驟是遺傳演算法中產生新的個體的主要操作過程，它用一定的交配概率閾值(pc，一般是0.4到0.99)來控制是否採取單點交叉，多點交叉等方式生成新的交叉個體。
具體步驟如下： (1)先對群體隨機配對。(2)再隨機設定交叉點的位置。 (3)再互換配對染色體間的部分基因。
（5）變異運算。該步驟是產生新的個體的另一種操作。一般先隨機產生變異點，再根據變異概率閾值(pm,一般是0.0001到0.1)將變異點的原有基因取反。

㈩ 在matlab中如何用遺傳演算法求解函數和的最小值

用遺傳演算法求已知函數的最小值點的方法：1、首先建立自定義函數，f(x)ga_fun=@(x)11*sin(6*x)+7*cos(5*x);2、其二用ga()函數求解最小值[x,fval,exitflag]=ga(ga_fun,1,[],[],[],[],lb) 3、然後用ezplot()函數或plot()函數，繪出其函數f(x)的圖形及最小值點4、運行結果5、執行代碼