量子遗传算法matlab

A. 电脑开发与应用杂志怎么样编辑部投稿邮箱是多少电脑刊物投稿

电脑开发与应用影响因子 复合影响因子：0.388 综合影响因子：0.151 电脑开发与应用杂志简介 刊名： 电脑开发与应用 Computer Development & Applications 主办： 中国北方自动控制技术研究所 周期： 月刊 出版地：山西省太原市 语种： 中文; 开本： 大16开 ISSN： 1003-5850 CN： 14-1133/TP 邮发代号： 22-96 历史沿革： 现用刊名：电脑开发与应用 创刊时间：1985 本站温馨提示 本站和国内数百家期刊杂志社有良好的合作关系，可以帮您快速发表论文: 1、速度更快捷 2、价格更低廉 3、通过率更高 4、选择余地更大，有数百家期刊可供选择 5、先发表后确认款项 联系人：李编辑 投稿专用e-mail: [email protected] (请注明投稿期刊） 杂志社投稿须知 一、摘要与关键词:文章要提供100-200字的摘要,客观反映论文的主要内容;提供3-5个关键词,用分号隔开;撰写的文章字数以2500-4500字为宜. 二、作者简介:姓名(出生年月)、性别、工作单位、邮政编码、职称、职务、学历、主要研究方向等(研究生须注明博士研究生或硕士研究生). 三、注释:注释序号(上标)用带圆圈的阿拉伯数字表示,附于文末. 四、非正式出版物(如博士或硕士学位论文)、未正式发表的讲话等不能作为参考文献引用. 五、参考文献的格式: 1、参考专着:[序号]作者.书名.出版地:出版社,出版年. 2、参考报纸、期刊:[序号]作者.文题.报刊名,出版年,卷(期、版次),其止页码(具体情况可以参照国家GB7714-87"文后参考文献着录规则"). 六、资助项目需注明资助者、项目编号. 七、体例要求:以"一"、"1"、"(1)"作为文章层次,(1)之下以小标题方式提炼主要观点. 八、图表要求:表格:将表名置于表上方居中;图:将图名置于图下方居中.表、图内文字统一用楷体. 九、为便于稿件的修改及联络,请作者提供联系方式:通信地址:邮编、电话、手机、电子信箱等. 十、来稿一律通过电子邮件(WORD文档附件)发送,严禁抄袭,文责自负,来稿必复 电脑开发与应用投稿范文 3 题名 量子遗传算法研究 作者 白小宝; 中文刊名 电脑开发与应用 单位 山西财经大学信息管理学院; 摘要 量子遗传算法是在遗传算法中引入量子计算的概念,是20世纪90年代新兴的研究领域。介绍了遗传算法(GA)和量子算法(QC)的特点,以及量子遗传算法(QGA)的基本理论与方法。并在Matlab下编程对量子遗传算法与传统遗传算法的效率进行比较。 4 题名 突发环境污染事件应急平台设计与开发 作者 杨丽凤; 中文刊名 电脑开发与应用 单位 太原理工大学计算机科学与技术学院; 摘要 近年突发重大环境污染事件频繁发生,设计开发了一个突发环境污染事件应急平台,并在典型区域进行了示范应用。该平台以环境安全技术和信息技术为基础,以应急管理技术为指导,可实现环境风险分析识别、环境风险源及风险企业日常管理、风险监测监控、重大环境污染事件的模拟预警、动态决策、综合协调与总结评估等功能。 5 题名BP与RBF比较研究 作者 吕静; 中文刊名 电脑开发与应用 单位 山西财经大学信息管理学院; 摘要 由于人工神经网络在符号处理、并行搜索、自组织联想记忆等方面有独特的优势,因此成为人工智能研究的热点。目前,人工神经网络模型形式多样,为了能够清晰地了解人工神经网络,就两种比较流行的神经网络:BP与RBF进行了介绍,研究了这两种人工神经网络的结构算法,并且对它们的结构算法以及性能进行了比较。 6 题名 有线电视网络企业BOSS建设中的XML技术应用 作者 范晔; 中文刊名 电脑开发与应用 单位 太原有线电视网络有限公司; 摘要XML是可扩展的标识语言,是它使得SGML在万维网上的语言形式得以应用自如,同时是用来描述其他语言结构的主要方法,因此它被称之为智能数据库。通过对XML技术展开了各层次的阐述,就其在有线电视网络企业BOSS系统结构及XML技术在生产、运营、应用中的各个方面分析,提出了合理的应用策略。

B. 求遗传算法的matlab程序

function
my_ga()
options=gaoptimset;
%设置变量范围
options=gaoptimset(options,'PopInitRange',[0;9]);
%设置种群大小
options=gaoptimset(options,'PopulationSize',100);
%设置迭代次数
options=gaoptimset(options,'Generations',100);
%选择选择函数
options=gaoptimset(options,'SelectionFcn',@selectionroulette);
%选择交叉函数
options=gaoptimset(options,'CrossoverFcn',@crossoverarithmetic);
%选择变异函数
options=gaoptimset(options,'MutationFcn',@mutationuniform);
%设置绘图:解的变化、种群平均值的变化
options=gaoptimset(options,'PlotFcns',{@gaplotbestf});
%执行遗传算法，fitness.m是函数文件
[x,fval]=ga(@fitness,1,options)

C. 遗传算法的matlab代码实现是什么

遗传算法我懂，我的论文就是用着这个算法，具体到你要遗传算法是做什么？优化什么的。。。我给你一个标准遗传算法程序供你参考：
该程序是遗传算法优化BP神经网络函数极值寻优：
%% 该代码为基于神经网络遗传算法的系统极值寻优
%% 清空环境变量
clc
clear

%% 初始化遗传算法参数
%初始化参数
maxgen=100; %进化代数，即迭代次数
sizepop=20; %种群规模
pcross=[0.4]; %交叉概率选择，0和1之间
pmutation=[0.2]; %变异概率选择，0和1之间

lenchrom=[1 1]; %每个变量的字串长度，如果是浮点变量，则长度都为1
bound=[-5 5;-5 5]; %数据范围

indivials=struct('fitness',zeros(1,sizepop), 'chrom',[]); %将种群信息定义为一个结构体
avgfitness=[]; %每一代种群的平均适应度
bestfitness=[]; %每一代种群的最佳适应度
bestchrom=[]; %适应度最好的染色体

%% 初始化种群计算适应度值
% 初始化种群
for i=1:sizepop
%随机产生一个种群
indivials.chrom(i,:)=Code(lenchrom,bound);
x=indivials.chrom(i,:);
%计算适应度
indivials.fitness(i)=fun(x); %染色体的适应度
end
%找最好的染色体
[bestfitness bestindex]=min(indivials.fitness);
bestchrom=indivials.chrom(bestindex,:); %最好的染色体
avgfitness=sum(indivials.fitness)/sizepop; %染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness];

%% 迭代寻优
% 进化开始
for i=1:maxgen
i
% 选择
indivials=Select(indivials,sizepop);
avgfitness=sum(indivials.fitness)/sizepop;
%交叉
indivials.chrom=Cross(pcross,lenchrom,indivials.chrom,sizepop,bound);
% 变异
indivials.chrom=Mutation(pmutation,lenchrom,indivials.chrom,sizepop,[i maxgen],bound);

% 计算适应度
for j=1:sizepop
x=indivials.chrom(j,:); %解码
indivials.fitness(j)=fun(x);
end

%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(indivials.fitness);
[worestfitness,worestindex]=max(indivials.fitness);
% 代替上一次进化中最好的染色体
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]; %记录每一代进化中最好的适应度和平均适应度
end
%进化结束

%% 结果分析
[r c]=size(trace);
plot([1:r]',trace(:,2),'r-');
title('适应度曲线','fontsize',12);
xlabel('进化代数','fontsize',12);ylabel('适应度','fontsize',12);
axis([0,100,0,1])
disp('适应度 变量');
x=bestchrom;
% 窗口显示
disp([bestfitness x]);

D. 量子遗传算法的优势在哪

优势都是理论上说比较好 实际上都差不多的 没有什么好算法 真的那么好的话 就没有必要研究别的算法了

E. 关于MATLAB遗传算法的问题

不知道你这个遗传算法得出的结果与你已知的最小值差距多大？其实遗传算法作为优化算法，得到的只是优化解，不一定是最优解，此其一，其二，基本遗传算法可调整的参数太多，例如选择，交叉的方法，而这些对结果影响还是比较大的，如果你用轮盘赌方法效果不怎样，可以选择用其他方法试试。

最后，matlab是有遗传工具箱的，你可以直接使用工具箱得到结果，如果你不确定你的程序有没有写错的话。也可以作为一个参考。

F. 求解：怎样使用MATLAB中的遗传算法计算器Optimization Tool中的GA——Genetic Algorithm,如图，重谢

比如通过MATLAB遗传算法的思想求解f(x)=x*sin(10pi*x)+2.0,-1<=x<=2的最大值问题，结果精确到3位小数。

首先在matlab命令窗口输入f=@(x)-(x*sin(10*pi*x)+2) 输出结果为

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

f =

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

接着输入gatool会打开遗传算法工具箱

显示51代之后算法终止，最小结果为-3.85027334719567，对应的x为1.851，由于自定义函数加了负号，所以原式的最大值为3.85027334719567，对应的x为1.851。

不过这是遗传算法得到的结果，每次运行的结果可能会有所不同，而且不一定是确切的最大值。

遗传算法适合应用在一些求最优解比较复杂的问题（常规的算法运算时间过长，甚至无法解决）。

G. 求教matlab遗传算法问题

clc
clear all
close all
%% 画出函数图
figure(1);
lbx=0;ubx=8; %函数自变量x范围【0,8】
lby=0;uby=8; %函数自变量y范围【0,8】
ezmesh('sin(pi*x)/(pi*x)*sin(pi*y)/(pi*y)',[lbx,ubx,lby,uby],50); %画出函数曲线
hold on;
%% 定义遗传算法参数
NIND=40; %个体数目
MAXGEN=50; %最大遗传代数
PRECI=20; %变量的二进制位数
GGAP=0.95; %代沟
px=0.7; %交叉概率
pm=0.01; %变异概率
trace=zeros(3,MAXGEN); %寻优结果的初始值
FieldD=[PRECI PRECI;lbx lby;ubx uby;1 1;0 0;1 1;1 1]; %区域描述器
Chrom=crtbp(NIND,PRECI*2); %初始种群
%% 优化
gen=0; %代计数器
XY=bs2rv(Chrom,FieldD); %计算初始种群的十进制转换
X=XY(:,1);Y=XY(:,2);
ObjV=sin(pi*x)/(pi*x)*sin(pi*y)/(pi*y); %计算目标函数值
while gen<MAXGEN
FitnV=ranking(-ObjV); %分配适应度值
SelCh=select('sus',Chrom,FitnV,GGAP); %选择
SelCh=recombin('xovsp',SelCh,px); %重组
SelCh=mut(SelCh,pm); %变异
XY=bs2rv(SelCh,FieldD); %子代个体的十进制转换
X=XY(:,1);Y=XY(:,2);
ObjVSel=sin(pi*x)/(pi*x)*sin(pi*y)/(pi*y); %计算子代的目标函数值
[Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代，得到新种群
XY=bs2rv(Chrom,FieldD);
gen=gen+1; %代计数器增加
%获取每代的最优解及其序号，Y为最优解,I为个体的序号
[Y,I]=max(ObjV);
trace(1:2,gen)=XY(I,:); %记下每代的最优值
trace(3,gen)=Y; %记下每代的最优值
end
plot3(trace(1,:),trace(2,:),trace(3,:),'bo'); %画出每代的最优点
grid on;
plot3(XY(:,1),XY(:,2),ObjV,'bo'); %画出最后一代的种群
hold off
%% 画进化图
figure(2);
plot(1:MAXGEN,trace(3,:));
grid on
xlabel('遗传代数')
ylabel('解的变化')
title('进化过程')
bestZ=trace(3,end);
bestX=trace(1,end);
bestY=trace(2,end);
fprintf(['最优解:\nX=',num2str(bestX),'\nY=',num2str(bestY),'\nZ=',num2str(bestZ),'\n'])