㈠ 加工車間調度遺傳演算法C++代碼
這個有點深哦，你是研究生還是在做畢設啊？
㈡ 利用matlab軟體實現遺傳演算法，解決生產調度問題
對於遺傳演算法，matlab自己內置了工具箱函數，你完全不用編碼，只需要弄懂裡面的參數設置問題就行。
matlab的遺傳演算法實現函數是ga（），對應的設置參數的函數是gaoptimset。有哪些參數可以設置可以直接在命令窗口輸入gaoptimset。ga的用法可以在命令窗口輸入doc ga 查看，祝好。
㈢ 電力系統調度遺傳演算法matlab程序
matlab自帶的有
遺傳演算法
工具箱，也就是兩個函數，分別是
x
=
ga(fitnessfcn,nvars,A,b,Aeq,beq,LB,UB,nonlcon,options)options
=
gaoptimset('param1',value1,'param2',value2,...)在
幫助文件
（doc
ga/gaoptimset）裡面自己好還看看它的用法就可以了，每一個參數都有詳細的說明，應該可以幫助到你。
㈣ 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]);
㈤ 急求關於資源調度的遺傳演算法源代碼，java語言
車間作業調度問題遺傳演算法 %--- % 輸入參數列表 % M 遺傳進化迭代次數 %newfarm=cell(1,N);%交叉產生的新種群存在其中 Ser=randperm(N); for i,
㈥ 跪求C#編寫車間調度問題的遺傳演算法代碼
占個位置
㈦ 誰有車間作業調度問題遺傳演算法的MATLAB源碼，要完整的程序哦~
function [Zp,Y1p,Y2p,Y3p,Xp,LC1,LC2]=JSPGA(M,N,Pm,T,P)
%--------------------------------------------------------------------------
% JSPGA.m
% 車間作業調度問題遺傳演算法
%--------------------------------------------------------------------------
% 輸入參數列表
% M 遺傳進化迭代次數
% N 種群規模(取偶數)
% Pm 變異概率
% T m×n的矩陣，存儲m個工件n個工序的加工時間
% P 1×n的向量，n個工序中，每一個工序所具有的機床數目
% 輸出參數列表
% Zp 最優的Makespan值
% Y1p 最優方案中，各工件各工序的開始時刻，可根據它繪出甘特圖
% Y2p 最優方案中，各工件各工序的結束時刻，可根據它繪出甘特圖
% Y3p 最優方案中，各工件各工序使用的機器編號
% Xp 最優決策變數的值，決策變數是一個實數編碼的m×n矩陣
% LC1 收斂曲線1，各代最優個體適應值的記錄
% LC2 收斂曲線2，各代群體平均適應值的記錄
% 最後，程序還將繪出三副圖片：兩條收斂曲線圖和甘特圖（各工件的調度時序圖）
%第一步：變數初始化
[m,n]=size(T);%m是總工件數，n是總工序數
Xp=zeros(m,n);%最優決策變數
LC1=zeros(1,M);%收斂曲線1
LC2=zeros(1,N);%收斂曲線2
%第二步：隨機產生初始種群
farm=cell(1,N);%採用細胞結構存儲種群
for k=1:N
X=zeros(m,n);
for j=1:n
for i=1:m
X(i,j)=1+(P(j)-eps)*rand;
end
end
farm{k}=X;
end
counter=0;%設置迭代計數器
while counter
%第三步：交叉
newfarm=cell(1,N);%交叉產生的新種群存在其中
Ser=randperm(N);
for i=1:2:(N-1)
A=farm{Ser(i)};%父代個體
B=farm{Ser(i+1)};
Manner=unidrnd(2);%隨機選擇交叉方式
if Manner==1
cp=unidrnd(m-1);%隨機選擇交叉點
%雙親雙子單點交叉
a=[A(1:cp,:);B((cp+1):m,:)];%子代個體
b=[B(1:cp,:);A((cp+1):m,:)];
else
cp=unidrnd(n-1);%隨機選擇交叉點
a=[A(:,1:cp),B(:,(cp+1):n)];%雙親雙子單點交叉
b=[B(:,1:cp),A(:,(cp+1):n)];
end
newfarm{i}=a;%交叉後的子代存入newfarm
newfarm{i+1}=b;
end
%新舊種群合並
FARM=[farm,newfarm];
%第四步：選擇復制
FITNESS=zeros(1,2*N);
fitness=zeros(1,N);
plotif=0;
for i=1:(2*N)
X=FARM{i};
Z=COST(X,T,P,plotif);%調用計算費用的子函數
FITNESS(i)=Z;
end
%選擇復制採取兩兩隨機配對競爭的方式，具有保留最優個體的能力
Ser=randperm(2*N);
for i=1:N
f1=FITNESS(Ser(2*i-1));
f2=FITNESS(Ser(2*i));
if f1<=f2
farm{i}=FARM{Ser(2*i-1)};
fitness(i)=FITNESS(Ser(2*i-1));
else
farm{i}=FARM{Ser(2*i)};
fitness(i)=FITNESS(Ser(2*i));
end
end
%記錄最佳個體和收斂曲線
minfitness=min(fitness)
meanfitness=mean(fitness)
LC1(counter+1)=minfitness;%收斂曲線1，各代最優個體適應值的記錄
LC2(counter+1)=meanfitness;%收斂曲線2，各代群體平均適應值的記錄
pos=find(fitness==minfitness);
Xp=farm{pos(1)};
%第五步：變異
for i=1:N
if Pm>rand;%變異概率為Pm
X=farm{i};
I=unidrnd(m);
J=unidrnd(n);
X(I,J)=1+(P(J)-eps)*rand;
farm{i}=X;
end
end
farm{pos(1)}=Xp;
counter=counter+1
end
%輸出結果並繪圖
figure(1);
plotif=1;
X=Xp;
[Zp,Y1p,Y2p,Y3p]=COST(X,T,P,plotif);
figure(2);
plot(LC1);
figure(3);
plot(LC2);
㈧ 求遺傳演算法車輛調度優化問題的建模模型和MATLAB源代碼
1、要看你組合優化是屬於哪種問題，一般的組合優化都是混合整數線性或非線性的，那麼就不行了，因此要對遺傳演算法改進才能計算。2、如果有現成的工具箱求解你的組合優化問題肯定要方便些，但碰到具體問題，可能要對參數進行一些設置更改，所以最好能有編程基礎，那樣就可以自己修改工具箱裡面的參數或策略了對你的補充問題，組合優化問題一般都是用matlab和lingo實現吧。建議買一本數學建模的書看一看，都涉及到組合優化問題，也可以下載論文看看。lingo對編程要簡單些，主要是求混合規劃，缺點是似乎還不能用上多目標問題，一般的組合優化都屬於多目標問題。但是matlab功能強大的多。
㈨ 急求matlab車輛調度遺傳演算法代碼，需求車輛行駛最優路徑。
function [path,lmin]=ga(data,d) %data為點集,d為距離矩陣，即賦權圖
tic
%======================
sj0=data;%開環最短路線
%=================================
% sj0=[data;data(1,:)]; %閉環最短路線
%=========================
x=sj0(:,1);y=sj0(:,2);
N=length(x);
%=========================
% d(N,:)=d(1,:);%閉環最短路線
% d(:,N)=d(:,1);%距離矩陣d
%======================
L=N; %sj0的長度
w=800;dai=1000;
%通過改良圈演算法選取優良父代A
for k=1:w
c=randperm(L-2);
c1=[1,c+1,L];
flag=1;
while flag>0
flag=0;
for m=1:L-3
for n=m+2:L-1
if d(c1(m),c1(n))+d(c1(m+1),c1(n+1))<d(c1(m),c1(m+1))+d(c1(n),c1(n+1))
flag=1;
c1(m+1:n)=c1(n:-1:m+1);
<a href="https://www..com/s?wd=end&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">end</a>
<a href="https://www..com/s?wd=end&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">end</a>
<a href="https://www..com/s?wd=end&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">end</a>
end
J(k,c1)=1:L;
end
J=J/L;
J(:,1)=0;J(:,L)=1;
rand('state',sum(clock));
%遺傳演算法實現過程
A=J;
for k=1:dai %產生0～1 間隨機數列進行編碼
B=A;
c=randperm(w);
%交配產生子代B
for i=1:2:w
F=2+floor(100*rand(1));
temp=B(c(i),F:L);
B(c(i),F:L)=B(c(i+1),F:L);
B(c(i+1),F:L)=temp;
end;
%變異產生子代C
by=find(rand(1,w)<0.1);
if length(by)==0
by=floor(w*rand(1))+1;
end
C=A(by,:);
L3=length(by);
for j=1:L3
<a href="https://www..com/s?wd=bw&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">bw</a>=floor(1+fix(rand(1,3)*N)); %產生1-N的3個隨機數
<a href="https://www..com/s?wd=bw&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">bw</a>=sort(<a href="https://www..com/s?wd=bw&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">bw</a>);
C(j,:)=C(j,[1:bw(1)-1,bw(2)+1:bw(3),bw(1):bw(2),bw(3)+1:L]);
end
G=[A;B;C];
<a href="https://www..com/s?wd=TL&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">TL</a>=size(G,1);
%在父代和子代中選擇優良品種作為新的父代
[<a href="https://www..com/s?wd=dd&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">dd</a>,IX]=sort(G,2);
temp=[];
temp(1:<a href="https://www..com/s?wd=TL&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">TL</a>)=0;
for j=1:<a href="https://www..com/s?wd=TL&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">TL</a>
for i=1:L-1
temp(j)=temp(j)+d(IX(j,i),IX(j,i+1));
end
end
[DZ,IZ]=sort(temp);
A=G(IZ(1:w),:);
end
path=IX(IZ(1),:)
% for i=1:length(path)
% path(i)=path(i)-1;
% end
% path=path(2:end-1);
lmin=0;l=0;
for j=1:(length(path)-1)
<a href="https://www..com/s?wd=t1&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">t1</a>=path(j);t2=path(j+1);
l=d(<a href="https://www..com/s?wd=t1&tn=44039180_cpr&fenlei=-CEQLGCpyw9Uz4Bmy-bIi4WUvYETgN-" target="_blank" class="-highlight">t1</a>,t2);
lmin=lmin+l;
end
xx=sj0(path,1);yy=sj0(path,2);
plot(xx,yy,'r-o');
axis equal
toc
㈩ 求一個遺傳演算法進行電力系統優化調度 代碼
發一份自編的MATLAB遺傳演算法代碼，用簡單遺傳演算法(Simple Genetic Algorithm or Standard Genetic Algorithm ，SGA)求取函數最大值，初版編寫於7年前上學期間，當時是MATLAB 5.x，在演算法運行效率方面做了修改，主要是採用矩陣操作減少了循環。
遺傳演算法為群體優化演算法，也就是從多個初始解開始進行優化，每個解稱為一個染色體，各染色體之間通過競爭、合作、單獨變異，不斷進化。
優化時先要將實際問題轉換到遺傳空間，就是把實際問題的解用染色體表示，稱為編碼，反過程為解碼，因為優化後要進行評價，所以要返回問題空間，故要進行解碼。SGA採用二進制編碼，染色體就是二進制位串，每一位可稱為一個基因；解碼時應注意將染色體解碼到問題可行域內。
遺傳演算法模擬「適者生存，優勝劣汰」的進化機制，染色體適應生存環境的能力用適應度函數衡量。對於優化問題，適應度函數由目標函數變換而來。一般遺傳演算法求解最大值問題，如果是最小值問題，則通過取倒數或者加負號處理。SGA要求適應度函數>0，對於<0的問題，要通過加一個足夠大的正數來解決。這樣，適應度函數值大的染色體生存能力強。
遺傳演算法有三個進化運算元：選擇（復制）、交叉和變異。
SGA中，選擇採用輪盤賭方法，也就是將染色體分布在一個圓盤上，每個染色體占據一定的扇形區域，扇形區域的面積大小和染色體的適應度大小成正比。如果輪盤中心裝一個可以轉動的指針的話，旋轉指針，指針停下來時會指向某一個區域，則該區域對應的染色體被選中。顯然適應度高的染色體由於所佔的扇形區域大，因此被選中的幾率高，可能被選中多次，而適應度低的可能一次也選不中，從而被淘汰。演算法實現時採用隨機數方法，先將每個染色體的適應度除以所有染色體適應度的和，再累加，使他們根據適應度的大小分布於0-1之間，適應度大的占的區域大，然後隨機生成一個0-1之間的隨機數，隨機數落到哪個區域，對應的染色體就被選中。重復操作，選出群體規模規定數目的染色體。這個操作就是「優勝劣汰，適者生存」，但沒有產生新個體。
交叉模擬有性繁殖，由兩個染色體共同作用產生後代，SGA採用單點交叉。由於SGA為二進制編碼，所以染色體為二進制位串，隨機生成一個小於位串長度的隨機整數，交換兩個染色體該點後的那部分位串。參與交叉的染色體是輪盤賭選出來的個體，並且還要根據選擇概率來確定是否進行交叉（生成0-1之間隨機數，看隨機數是否小於規定的交叉概率），否則直接進入變異操作。這個操作是產生新個體的主要方法，不過基因都來自父輩個體。
變異採用位點變異，對於二進制位串，0變為1，1變為0就是變異。採用概率確定變異位，對每一位生成一個0-1之間的隨機數，看是否小於規定的變異概率，小於的變異，否則保持原狀。這個操作能夠使個體不同於父輩而具有自己獨立的特徵基因，主要用於跳出局部極值。
遺傳演算法認為生物由低級到高級進化，後代比前一代強，但實際操作中可能有退化現象，所以採用最佳個體保留法，也就是曾經出現的最好個體，一定要保證生存下來，使後代至少不差於前一代。大致有兩種類型，一種是把出現的最優個體單獨保存，最後輸出，不影響原來的進化過程；一種是將最優個體保存入子群，也進行選擇、交叉、變異，這樣能充分利用模式，但也可能導致過早收斂。
由於是基本遺傳演算法，所以優化能力一般，解決簡單問題尚可，高維、復雜問題就需要進行改進了。
下面為代碼。函數最大值為3905.9262，此時兩個參數均為-2.0480，有時會出現局部極值，此時一個參數為-2.0480，一個為2.0480。演算法中變異概率pm=0.05，交叉概率pc=0.8。如果不採用最優模式保留，結果會更豐富些，也就是演算法最後不一定收斂於極值點，當然局部收斂現象也會有所減少，但最終尋得的解不一定是本次執行中曾找到過的最好解。
(註：一位網名為mosquitee的朋友提醒我：原代碼的變異點位置有問題。檢驗後發現是將最初的循環實現方法改為矩陣實現方法時為了最優去掉mm的第N行所致，導致變異點位置發生了變化，現做了修改，修改部分加了顏色標記，非常感謝mosquitee，2010-4-22)
% Optimizing a function using Simple Genetic Algorithm with elitist preserved
%Max f(x1,x2)=100*(x1*x1-x2).^2+(1-x1).^2; -2.0480<=x1,x2<=2.0480
% Author: Wang Yonglin ([email protected])
clc;clear all;
format long;%設定數據顯示格式
%初始化參數
T=100;%模擬代數
N=80;% 群體規模
pm=0.05;pc=0.8;%交叉變異概率
umax=2.048;umin=-2.048;%參數取值范圍
L=10;%單個參數字串長度，總編碼長度2L
bval=round(rand(N,2*L));%初始種群
bestv=-inf;%最優適應度初值
%迭代開始
for ii=1:T
%解碼，計算適應度
for i=1:N
y1=0;y2=0;
for j=1:1:L
y1=y1+bval(i,L-j+1)*2^(j-1);
end
x1=(umax-umin)*y1/(2^L-1)+umin;
for j=1:1:L
y2=y2+bval(i,2*L-j+1)*2^(j-1);
end
x2=(umax-umin)*y2/(2^L-1)+umin;
obj(i)=100*(x1*x1-x2).^2+(1-x1).^2; %目標函數
xx(i,:)=[x1,x2];
end
func=obj;%目標函數轉換為適應度函數
p=func./sum(func);
q=cumsum(p);%累加
[fmax,indmax]=max(func);%求當代最佳個體
if fmax>=bestv
bestv=fmax;%到目前為止最優適應度值
bvalxx=bval(indmax,:);%到目前為止最佳位串
optxx=xx(indmax,:);%到目前為止最優參數
end
Bfit1(ii)=bestv; % 存儲每代的最優適應度
%%%%遺傳操作開始
%輪盤賭選擇
for i=1:(N-1)
r=rand;
tmp=find(r<=q);
newbval(i,:)=bval(tmp(1),:);
end
newbval(N,:)=bvalxx;%最優保留
bval=newbval;
%單點交叉
for i=1:2:(N-1)
cc=rand;
if cc<pc
point=ceil(rand*(2*L-1));%取得一個1到2L-1的整數
ch=bval(i,:);
bval(i,point+1:2*L)=bval(i+1,point+1:2*L);
bval(i+1,point+1:2*L)=ch(1,point+1:2*L);
end
end
bval(N,:)=bvalxx;%最優保留
%位點變異
mm=rand(N,2*L)<pm;%N行
mm(N,:)=zeros(1,2*L);%最後一行不變異，強制賦0
bval(mm)=1-bval(mm);
end
%輸出
plot(Bfit1);% 繪制最優適應度進化曲線
bestv %輸出最優適應度值
optxx %輸出最優參數