A. 实数编码遗传算法是怎么实现实数编码的
又叫真实值编码，个体的每个基因位用某一范围内的一个浮点来表示，个体的编码长度取决于决策量的个数
B. MATLAB中遗传算法编程中，二进制编码如何处理实数变量
假如你想要编码为x，设x的范围是【min,max】，二进制编码长度为10，那二进解码方式是：x*（max-min)/1023,这个不用开始编码，开始你可以用rand(n,10)产生n个样本的随机数，然后优化即可。
不是能把“数学模型中的目标函数和每一条约束函数分别编程Matlab里的M文件”，是你用遗传算法就必须要编进去，电脑怎么知道往哪个方向优化是好的，要不把你邮箱留下，我给你发个寻求最大值的遗传算法。
C. 遗传算法在数学上的应用
应用遗传算法搜索边坡最小安全系数的研究
陆峰 陈祖煜 李素梅
（中国水利水电科学研究院结构材料所）
提 要
本文简要介绍了滑坡滑裂面搜索问题和遗传算法，并试用遗传进化算法从边坡任意形状滑裂面组合中搜索最有可能的滑裂面，也就是使安全系数最小的滑裂面。作为实例，分析了遗传算法在天生桥二级电站首部枢纽进水口右岸滑坡分析中的应用。
关键词 边坡；安全系数；遗传算法；EMU程序。
1．前言
在应用条分法进行边坡稳定分析的过程中，从可能的滑裂面集合中确定相应最小安全系数的临界滑裂面是很关键的一步。这是一个确定安全系数这个泛函对滑裂面形状这个自变函数的极小值问题。由于实际情况的复杂性，求这一极小值的解析方法很难付诸实施。从实用角度出发，基于最优化原理发展起来的求边坡最小安全系数的方法是比较有效而且便于应用。这些方法有"穷举法"、"黄金分割法"、"鲍威尔法"等，但它们都只能应用于圆弧形滑裂面或圆弧-直线形（改良圆弧法）滑裂面的情形。对于比较符合岩质边坡的具有多个自由度的折线形滑裂面情形，孙君实用复形法取得较好的效果；陈祖煜提出了单纯形法，使最优化方法搜索边坡最危险滑裂面更加有效，且不会漏掉可能的最小值。单纯形法程序已在国内外多家工程、科研和教育单位得到应用，并不断随着应用工程案例数量的增加而不断完善[1]。单纯形法使最优化方法应用于岩质边坡稳定性分析的研究和应用前进了一大步。同为最优化方法，遗传算法是最近发展起来的一种仿生寻优算法。国内外已有一些学者试图将遗传算法应用于搜索安全系数最小的边坡滑裂面，以期获得更优的结果。文献[2]将此算法应用于基于圆弧滑裂面假定的任意形状坡面的非均质土坡情况，搜索的目标是使边坡安全系数最小的圆弧滑裂面圆心和半径。本文将在文献[1]和文献[2]的基础上，应用遗传算法搜索边坡安全系数最小的任意形状滑裂面，根据工程实践经验，主要是折线组合的滑裂面。 2．遗传算法及其应用于岩土工程的基础
如前所述，搜索边坡最危险滑裂面问题是安全系数对滑裂面形状的泛函极值问题。数值方法求解这一问题的主要手段是迭代运算。一般的迭代方法容易陷入局部极小的陷阱而出现"死循环"现象，使迭代无法进行。遗传算法很好地克服了这个缺点，是一种全局优化算法。
生物在漫长的进化过程中，从低等生物一直发展到高等生物，可以说是一个绝妙的优化过程。这是自然环境选择的结果。人们研究生物进化现象，总结出进化过程包括复制、杂交、变异、竞争和选择。一些学者从生物遗传、进化的过程得到启发，提出了遗传算法（GA）。算法中称遗传的生物体为个体（indivial），个体对环境的适应程度用适应值（fitness）表示。适应值取决于个体的染色体（chromosome），在算法中染色体常用一串数字表示，数字串中的一位对应一个基因（gene）。一定数量的个体组成一个群体（population）。对所有个体进行选择、交叉和变异等操作，生成新的群体，称为新一代（new generation）。
遗传算法计算程序的流程可以表示如下[3]：
第一步 准备工作
（1）选择合适的编码方案，将变量（特征）转换为染色体（数字串，串长为m）。通常用二进制编码。
（2）选择合适的参数，包括群体大小（个体数M）、交叉概率PC和变异概率Pm。
（3）确定适应值函数f（x）。f（x）应为正值。
第二步 形成一个初始群体（含M个个体）。在边坡滑裂面搜索问题中，取已分析的可能滑裂面组作为初始群体。
第三步 对每一染色体（串）计算其适应值fi，同时计算群体的总适应值 。
第四步 选择
计算每一串的选择概率Pi=fi/F及累计概率 。选择一般通过模拟旋转滚花轮（roulette，其上按Pi大小分成大小不等的扇形区）的算法进行。旋转M次即可选出M个串来。在计算机上实现的步骤是：产生[0，1]间随机数r，若r<q1，则第一串v1入选，否则选v2，使满足qi-1<r<qi（2≤i≤m）。可见适应值大的入选概率大。
第五步 交叉
（1） 对每串产生[0，1]间随机数，若r>pc，则该串参加交叉操作，如此选出参加交叉的一组后，随机配对。
（2） 对每一对，产生[1，m]间的随机数以确定交叉的位置。
第六步 变异
如变异概率为Pm，则可能变异的位数的期望值为Pm ×m×M，每一位以等概率变异。具体为对每一串中的每一位产生[0，1]间的随机数r，若r<Pm，则该位发生反转，如对染色体二进制编码为数字0变为1，1变为0。
如新个体数达到M个，则已形成一个新群体，转向第三步；否则转向第四步继续遗传操作。直到找到使适应值最大的个体或达到最大进化代数为止。
由于选择概率是由适应值决定的，即适应值大的染色体入选概率也较大，使选择起到"择优汰劣"的作用。交叉使染色体交换信息，结合选择规则，使优秀信息得以保存，不良信息被遗弃。变异是基因中得某一位发生突变，以达到产生确实有实质性差异的新品种。遗传算法虽是一种随机算法，但它是有导向的，它所使用的"按概率随机选择"方法是在有方向的搜索方法中的一种工具。正是这种独特的搜索方法，使遗传算法自然地避开了其它最优化算法常遇到的局部最小陷阱。遗传算法搜索最优结果的效果在数学上还没有严格的证明，但它的有效性已在许多专业的应用的得到体现。对于岩质边坡安全系数对滑裂面形状这样不可微的泛函极值问题，就目前的科学认识水平来讲，遗传算法不失为一种可以信赖的方法。 3．用遗传算法搜索安全系数最小的边坡任意形状滑裂面
在边坡（尤其是岩质边坡）最危险滑裂面搜索问题中，滑裂面的实际形状是很复杂的，起控制作用的是岩体的主要结构面和边坡的体型。从以往实际工程经验看，可以总结出岩质边坡滑裂面在顺滑方向上的剖面形状为折线，由岩体结构面和局部岩土材料的剪切破坏面连接而成。这样，搜索最危险滑裂面的问题就可以简化为从折线滑裂面组合中寻优的问题。本文用遗传进化算法解决这个问题。
（1） 定义遗传算法的目标函数
目标函数定义为边坡的安全系数，用安全系数的大小表示解的适应值。在边坡最危险滑裂面搜索问题中，解的安全系数越小，适应性能越好。
（2） 初始群体的确定
根据边坡的工程地质调查记录，根据经验初步拟定出一批滑裂面形状。如图1所示，滑裂面由点序列Ai（xi，yi）（i=1，?，N）表示。将点序列AI的坐标（xi，yi）依次排列成x1y1x2y2?xNyN的形式，经二进制编码形成一条染色体。对于拟定的滑裂面形状，其对应的安全系数用EMU程序[4]进行计算。
（3） 确定搜索范围
根据经验对每个点Ai，确定其坐标（xi，yi）的可能变化范围。在此范围内搜索导致最小安全系数的边坡滑裂面形状。
（4） 计算
将初始种群的所有拟定滑裂面形状（染色体）交给遗传算法程序进行计算。具体过程参见前文。
4．算例分析[4]
图1 天生桥二级电站首部枢纽进水口右岸滑坡示意图
选用天生桥二级电站首部枢纽进水口右岸滑坡作为算例，图1为其计算简图。滑坡高约30m，总方量为7000余m3，主要为第四系冲坡积物和施工堆碴。物理力学参数见表1。
表1 各土层物理力学性能指标
土层 密度（g/cm3） 抗剪强度指标
内摩擦角 凝聚力（kPa）
① 施工弃碴 1.85 21.8° 19.6
② 坡积土 1.85 21.8° 0.0
③ 砂土 1.85 21.8° 29.4
④ 砂质淤泥 1.85 20.8° 34.3
⑤ 河卵石、砾石 1.90 24.2° 0.0
滑坡发生前，靠近坡脚处因修建挡土墙被开挖而削弱边坡的整体稳定性，可以断定滑坡的滑裂面将从此经过。本例题还将忽略实际工程中坡顶张裂缝的影响。选用5个点的折线来模拟滑裂面形状，初步确定AiBiCiDiE（i=1~4）为可能的滑裂面。滑裂面上端点Ai的y坐标已受限制，下端点E的x、y坐标均已确定，故滑裂面只有7个自由度。按遗传算法的要求将滑裂面表示成如下形式：
xAxByBxCyCxDyD
四个模拟滑裂面的坐标和由EMU程序分析的安全系数列于表2。
表2 模拟滑裂面坐标及安全系数（坐标单位 m）
滑裂面 xA xB yB xC yC xD yD 安全系数
A1B1C1D1E 35.44 27.69 16.82 18.79 9.25 11.39 4.49 0.92
A2B2C2D2E 38.15 30.60 20.69 23.14 14.60 14.12 8.37 0.99
A3B3C3D3E 39.02 34.18 18.47 26.28 10.41 16.07 4.58 1.02
A3B3C4D4E 39.02 34.18 18.47 25.12 11.39 14.70 4.97 1. 03
限制搜索范围为每个自由度可在2.0m范围内变化。将4个排列好的数字串作为输入数据交给遗传算法程序进行编码、计算。经过大量运算，最后在最大种群代数（1000）群体中找到使安全系数最小的坐标数字串，经译码形成如下坐标：
（36.89，30.07）（33.25，21.52）（21.71，9.34）（13.54，5.07）（0.0，0.0）
即为图1中的ABCDE滑裂面。由遗传算法求出其相应的安全系数为0.90。滑裂面形式和安全系数都比较接近实际情况。
5．结语
遗传算法是一种高效的寻优算法，而且能有效地解决局部最小问题、非线性映射关系的表示、非线性映射关系不可微等普通优化算法常遇到的问题。算例的成果证明了这一特点。将遗传算法应用于滑坡滑裂面搜索问题，主要的工作是将工程问题简化成遗传算法需要的形式，简化时需详细参考地质调查资料和工程经验，务使简化的形式接近实际情况。对于简化的搜索样本，其安全系数的计算必须可靠，为此可应用一些比较成熟的计算程序，如EMU等。充分考虑实际工程地质情况和选取切合实际的搜索样本后，遗传算法程序必将能为滑坡搜索出最有可能的滑裂面。
参考文献
1 陈祖煜，邵长明，最优化方法在确定边坡最小安全系数方面的应用，岩土工程学报，Vol.10, No.4, 1998.7。
2 肖专文，张奇志，梁力，林韵梅，遗传进化算法在边坡稳定性分析中的应用，岩土工程学报，Vol.20, No.1, 1998.1。
3 周明，孙树栋，遗传算法原理及应用，国防工业出版社，1999.6。
4 陈祖煜，岩质高边坡稳定分析程序EMU，1995.5。
Research on Searching Least Factor of Safety of Slopes with Genetic Algorithm
Lu Feng Chen Zuyu Li Sumei
(Department of Structure and Material, IWHR)
Abstract
The problem of searching least factor of safety of slopes and the theory of Genetic Algorithm have been introced in this paper. This theory has been employed to solve this problem to find the most possible slide of slopes. As an example, the application of genetic algorithm on the Tianshengqiao Power Station Right Bank Slide has been presented.
Keywords: Slope, Factor of Safety, Genetic Algorithm, EMU Program.
D. 我想请教一下遗传算法里面的实数编码是怎么一回事，我在做一个多目标优化的问题，希望您能指点
说的是用函数crtrp产生初始种群吧,格式为chrom=crtrp(个体数，约束)；
个体数即希望产生的初始种群数，
约束为矩阵,表示变量的取值范围。如：[-10,-5,-3,-2;10,5,3,2]表示有四个变量，范围分别是
[-10,10],[-5,5],[-3,3],[-2,2]。这样就会产生一个初始种群有四列，是随机取值。
希望有用，当然别忘了支持一下啊！互相学习。。。
E. 如何用遗传算法实现多变量的最优化问题
是不是像求函数最值那样子？建议你了解一下遗传算法的实数编码，这个对于求函数最值很方便，不用像二进制那样需要转换。
简单介绍一下思路：
最重要的是确定适应度函数，只要确定这个函数就很容易了，就用你不会编程，直接调用matlab的工具箱就行了。
1st.设置种群规模，并初始化种群p，并计算各个个体的适应度。
例如，20个个体，每个个体包含5个变量，x1,x2,x3,x4,x5.
如果你用matlab来编程的话，这个可以很容易实现，会用到random('unif',a,b)这个函数吧。
例如x1的取值范围是[0,1],那么x1=random('unif',0,1).
2nd.采用轮盘赌选出可以产生后代的父本,p_parents。
额，轮盘赌的实质就是适应度大的被选出的概率大。这个不难，但说起来比较长，你可以自己去看一下。
3rd.杂交过程的思路随机将p_parents中的个体随机两两配对，然后随机产生一个1到n的数（n为变量的个数），设为i,交换每对父本中i之后的变量值。交换以后的p_parents成为后代p_offspring.
这里变起来有点点复杂，不过只要耐心一点，编好配对过程和交换过程。
4th.变异过程，这个比较简单，不过需要自己把握的较好。
基本的思路是设置一个概率，例如0.05，然后产生一个随机数如果随机数比0.05小那么这个变量值就要产生微小的增加或减少。
这个变异过程要历遍p_offspring所有的变量喔。
5th.将p和p_offspring合并起来，然后选出适应度大的，重新构成一个如原始种群规模相等的种群。
F. 用遗传算法变成，想用实数编码，这个实数编码长度怎么计算
实数编码没有编码长度的说法，实数编码时染色体（控制变量）就是一个实数，大小介于该染色体（控制变量）的上下限区间内。
G. 求基于遗传算法的TPS的matlab程序，坐标手动输入
1. 遗传算法实现过程
现实生活中很多问题都可以转换为函数优化问题，所以本文将以函数优化问题作为背景，对GA的实现过程进行探讨。大部分函数优化问题都可以写成求最大值或者最小值的形式，为了不是一般性，我们可以将所有求最优值的情况都转换成求最大值的形式，例如，求函数f(x)的最大值，
clip_image002
若是求函数f(x)的最小值，可以将其转换成g(x)=-f(x)，然后求g(x)的最大值，
clip_image004
这里x可以是一个变量，也可是是一个由k个变量组成的向量, x=(x1, x2, …, xk)。每个xi, i=1,2,…,k, 其定义域为Di，Di=[ai, bi]。
一般规定f(x)在其定义域内只取正值，若不满足，可以将其转换成以下形式，
clip_image006
其中C是一个正常数。
1.1 编码与解码
要实现遗传算法首先需要弄清楚如何对求解问题进行编码和解码。对于函数优化问题，一般来说，有两种编码方式，一是实数编码，一是二进制编码，两者各有优缺点，二进制编码具有稳定性高、种群多样性大等优点，但是需要的存储空间大，需要解码过程并且难以理解；而实数编码直接用实数表示基因，容易理解并且不要解码过程，但是容易过早收敛，从而陷入局部最优。本文以最常用的二进制编码为例，说明遗传编码的过程。
从遗传算法求解的过程来看，需要处理好两个空间的问题，一个是编码空间，另一个是解空间，如下图所示
clip_image007
从解空间到编码空间的映射过程成为编码过程；从编码空间到解空间的映射过程成为解码过程。下面就以求解一个简单的一维函数f(x) = -(x-1)^2+4, x的取值范围为[-1,3]最大值为例，来说明编码及解码过程。
编码：
在编码之前需要确定求解的精度，在这里，我们设定求解的精度为小数点后四位，即1e-4。这样可以将每个自变量xi的解空间划分为clip_image011个等分。以上面这个函数为例，即可以将x的解空间划分为(3-(-1))*1e+4=40000个等分。使ni满足clip_image013，这里ni表示使上式成立的最小整数，即表示自变量xi的基因串的长度。因为215<40000<216 ，这里ni取16。例如0000110110000101就表示一个解空间中的基因串。表示所有自变量x=(x1, x2, …, xk)的二进制串的总长度称为一个染色体(Chromosome)的长度或者一个个体(Indivial)的长度，clip_image015。编码过程一般在实现遗传算法之前需要指定。
解码：
解码即将编码空间中的基因串翻译成解空间中的自变量的实际值的过程。对于二进制编码而言，每个二进制基因串都可以这样翻译成一个十进制实数值，clip_image017。例如基因串0000110110000101，可以翻译为clip_image019，这里二进制基因串转变成十进制是从左至右进行的。
1.2 初始化种群
在开始遗传算法迭代过程之前，需要对种群进行初始化。设种群大小为pop_size，每个染色体或个体的长度为chromo_size，种群的大小决定了种群的多样性，而染色体的长度则是由前述的编码过程决定的。一般随机生成初始种群，但是如果知道种群的实际分布，也可以按照此分布来生成初始种群。假设生成的初始种群为(v1, v2, …, vpop_size)。
1.3 选择操作
选择操作即从前代种群中选择个体到下一代种群的过程。一般根据个体适应度的分布来选择个体。以初始种群(v1, v2, …, vpop_size)为例，假设每个个体的适应度为(fitness(v1), fitness(v2),…, fitness(vpop_size))，一般适应度可以按照解码的过程进行计算。以轮盘赌的方式选择个体，如下图
clip_image020
随机转动一下轮盘，当轮盘停止转动时，若指针指向某个个体，则该个体被选中。很明显，具有较高适应度的个体比具有较低适应度的个体更有机会被选中。但是这种选择具有随机性，在选择的过程中可能会丢失掉比较好的个体，所以可以使用精英机制，将前代最优个体直接选到下一代中。
轮盘赌选择具体算法如下（这里假定种群中个体是按照适应度从小到大进行排列的，如果不是，可以按照某种排序算法对种群个体进行重排）：
Selection Algorithm
var pop, pop_new;/*pop为前代种群，pop_new为下一代种群*/
var fitness_value, fitness_table;/*fitness_value为种群的适应度，fitness_table为种群累积适应度*/
for i=1:pop_size
r = rand*fitness_table(pop_size);/*随机生成一个随机数，在0和总适应度之间，因为fitness_table(pop_size)为最后一个个体的累积适应度，即为总适应度*/
first = 1;
last = pop_size;
mid = round((last+first)/2);
idx = -1;
/*下面按照排中法选择个体*/
while (first <= last) && (idx == -1)
if r > fitness_table(mid)
first = mid;
elseif r < fitness_table(mid)
last = mid;
else
idx = mid;
break;
end if
mid = round((last+first)/2);
if (last - first) == 1
idx = last;
break;
end if
end while
for j=1:chromo_size
pop_new(i,j)=pop(idx,j);
end for
end for
/*是否精英选择*/
if elitism
p = pop_size-1;
else
p = pop_size;
end if
for i=1:p
for j=1:chromo_size
pop(i,j) = pop_new(i,j);/*若是精英选择，则只将pop_new前pop_size-1个个体赋给pop，最后一个为前代最优个体保留*/
end for
end for
1.3 交叉操作
交叉操作是对任意两个个体进行的（在这里我们实现的算法是直接对相邻的两个个体进行的）。随机选择两个个体，如下图所示
clip_image001
然后随机生成一个实数0<=r<=1, 如果r<cross_rate， 0<cross_rate<1为交叉概率，则对这两个个体进行交叉，否则则不进行。如果需要进行交叉，再随机选择交叉位置(rand*chromo_size)，如果等于0或者1，将不进行交叉。否则将交叉位置以后的二进制串进行对换（包括交叉位置）。（注意：有时候还可以进行多点交叉，但是这里只讨论单点交叉的情况）
单点交叉具体算法如下：
Crossover algorithm
for i=1:2:pop_size
if(rand < cross_rate)/*cross_rate为交叉概率*/
cross_pos = round(rand * chromo_size);/*交叉位置*/
if or (cross_pos == 0, cross_pos == 1)
continue;/*若交叉位置为0或1，则不进行交叉*/
end if
for j=cross_pos:chromo_size
pop(i,j)<->pop(i+1,j);/*交换*/
end for
end if
end for
1.4 变异操作
变异操作是对单个个体进行的。首先生成一个随机实数0<=r<=1, 如果r<mutate_rate，则对此个体进行变异操作， 0<mutate_rate<1为变异概率，一般为一个比较小的实数。对每一个个体，进行变异操作，如下图所示
clip_image001[4]
如个体需要进行变异操作，首先需要确定变异位置(rand*chromo_size)，若为0则不进行变异，否则则对该位置的二进制数字进行变异：1变成0, 0变成1.（当然也可以选择多点进行变异）
单点变异的具体算法描述如下：
Mutation algorithm
for i=1:pop_size
if rand < mutate_rate/*mutate_rate为变异概率*/
mutate_pos = round(rand*chromo_size);/*变异位置*/
if mutate_pos == 0
continue;/*若变异位置为0，则不进行变异*/
end if
pop(i,mutate_pos) = 1 - pop(i, mutate_pos);/*将变异位置上的数字至反*/
end if
end for
1.5 遗传算法流程
遗传算法计算流程图如下图所示
clip_image001[6]
1.6 MATLAB程序实现
初始化：
%初始化种群
%pop_size: 种群大小
%chromo_size: 染色体长度
function initilize(pop_size, chromo_size)
global pop;
for i=1:pop_size
for j=1:chromo_size
pop(i,j) = round(rand);
end
end
clear i;
clear j;
计算适应度：（该函数应该根据具体问题进行修改，这里优化的函数是前述的一维函数）
%计算种群个体适应度，对不同的优化目标，此处需要改写
%pop_size: 种群大小
%chromo_size: 染色体长度
function fitness(pop_size, chromo_size)
global fitness_value;
global pop;
global G;
for i=1:pop_size
fitness_value(i) = 0.;
end
for i=1:pop_size
for j=1:chromo_size
if pop(i,j) == 1
fitness_value(i) = fitness_value(i)+2^(j-1);
end
end
fitness_value(i) = -1+fitness_value(i)*(3.-(-1.))/(2^chromo_size-1);
fitness_value(i) = -(fitness_value(i)-1).^2+4;
end
clear i;
clear j;
对个体按照适应度大小进行排序：
%对个体按适应度大小进行排序，并且保存最佳个体
%pop_size: 种群大小
%chromo_size: 染色体长度
function rank(pop_size, chromo_size)
global fitness_value;
global fitness_table;
global fitness_avg;
global best_fitness;
global best_indivial;
global best_generation;
global pop;
global G;
for i=1:pop_size
fitness_table(i) = 0.;
end
min = 1;
temp = 1;
temp1(chromo_size)=0;
for i=1:pop_size
min = i;
for j = i+1:pop_size
if fitness_value(j)<fitness_value(min);
min = j;
end
end
if min~=i
temp = fitness_value(i);
fitness_value(i) = fitness_value(min);
fitness_value(min) = temp;
for k = 1:chromo_size
temp1(k) = pop(i,k);
pop(i,k) = pop(min,k);
pop(min,k) = temp1(k);
end
end
end
for i=1:pop_size
if i==1
fitness_table(i) = fitness_table(i) + fitness_value(i);
else
fitness_table(i) = fitness_table(i-1) + fitness_value(i);
end
end
fitness_table
fitness_avg(G) = fitness_table(pop_size)/pop_size;
if fitness_value(pop_size) > best_fitness
best_fitness = fitness_value(pop_size);
best_generation = G;
for j=1:chromo_size
best_indivial(j) = pop(pop_size,j);
end
end
clear i;
clear j;
clear k;
clear min;
clear temp;
clear temp1;
选择操作：
%轮盘赌选择操作
%pop_size: 种群大小
%chromo_size: 染色体长度
%cross_rate: 是否精英选择
function selection(pop_size, chromo_size, elitism)
global pop;
global fitness_table;
for i=1:pop_size
r = rand * fitness_table(pop_size);
first = 1;
last = pop_size;
mid = round((last+first)/2);
idx = -1;
while (first <= last) && (idx == -1)
if r > fitness_table(mid)
first = mid;
elseif r < fitness_table(mid)
last = mid;
else
idx = mid;
break;
end
mid = round((last+first)/2);
if (last - first) == 1
idx = last;
break;
end
end
for j=1:chromo_size
pop_new(i,j)=pop(idx,j);
end
end
if elitism
p = pop_size-1;
else
p = pop_size;
end
for i=1:p
for j=1:chromo_size
pop(i,j) = pop_new(i,j);
end
end
clear i;
clear j;
clear pop_new;
clear first;
clear last;
clear idx;
clear mid;
交叉操作：
%单点交叉操作
%pop_size: 种群大小
%chromo_size: 染色体长度
%cross_rate: 交叉概率
function crossover(pop_size, chromo_size, cross_rate)
global pop;
for i=1:2:pop_size
if(rand < cross_rate)
cross_pos = round(rand * chromo_size);
if or (cross_pos == 0, cross_pos == 1)
continue;
end
for j=cross_pos:chromo_size
temp = pop(i,j);
pop(i,j) = pop(i+1,j);
pop(i+1,j) = temp;
end
end
end
clear i;
clear j;
clear temp;
clear cross_pos;
变异操作：
%单点变异操作
%pop_size: 种群大小
%chromo_size: 染色体长度
%cross_rate: 变异概率
function mutation(pop_size, chromo_size, mutate_rate)
global pop;
for i=1:pop_size
if rand < mutate_rate
mutate_pos = round(rand*chromo_size);
if mutate_pos == 0
continue;
end
pop(i,mutate_pos) = 1 - pop(i, mutate_pos);
end
end
clear i;
clear mutate_pos;
打印算法迭代过程：
%打印算法迭代过程
%generation_size: 迭代次数
function plotGA(generation_size)
global fitness_avg;
x = 1:1:generation_size;
y = fitness_avg;
plot(x,y)
算法主函数：
%遗传算法主函数
%pop_size: 输入种群大小
%chromo_size: 输入染色体长度
%generation_size: 输入迭代次数
%cross_rate: 输入交叉概率
%cross_rate: 输入变异概率
%elitism: 输入是否精英选择
%m: 输出最佳个体
%n: 输出最佳适应度
%p: 输出最佳个体出现代
%q: 输出最佳个体自变量值
function [m,n,p,q] = GeneticAlgorithm(pop_size, chromo_size, generation_size, cross_rate, mutate_rate, elitism)
global G ; %当前代
global fitness_value;%当前代适应度矩阵
global best_fitness;%历代最佳适应值
global fitness_avg;%历代平均适应值矩阵
global best_indivial;%历代最佳个体
global best_generation;%最佳个体出现代
fitness_avg = zeros(generation_size,1);
disp "hhee"
fitness_value(pop_size) = 0.;
best_fitness = 0.;
best_generation = 0;
initilize(pop_size, chromo_size);%初始化
for G=1:generation_size
fitness(pop_size, chromo_size); %计算适应度
rank(pop_size, chromo_size); %对个体按适应度大小进行排序
selection(pop_size, chromo_size, elitism);%选择操作
crossover(pop_size, chromo_size, cross_rate);%交叉操作
mutation(pop_size, chromo_size, mutate_rate);%变异操作
end
plotGA(generation_size);%打印算法迭代过程
m = best_indivial;%获得最佳个体
n = best_fitness;%获得最佳适应度
p = best_generation;%获得最佳个体出现代
%获得最佳个体变量值，对不同的优化目标，此处需要改写
q = 0.;
for j=1:chromo_size
if best_indivial(j) == 1
q = q+2^(j-1);
end
end
q = -1+q*(3.-(-1.))/(2^chromo_size-1);
clear i;
clear j;
2. 案例研究
对上一节中的函数进行优化，设置遗传算法相关参数，程序如下
function run_ga()
elitism = true;%选择精英操作
pop_size = 20;%种群大小
chromo_size = 16;%染色体大小
generation_size = 200;%迭代次数
cross_rate = 0.6;%交叉概率
mutate_rate = 0.01;%变异概率
[m,n,p,q] = GeneticAlgorithm(pop_size, chromo_size, generation_size, cross_rate, mutate_rate,elitism);
disp "最优个体"
m
disp "最优适应度"
n
disp "最优个体对应自变量值"
q
disp "得到最优结果的代数"
p
clear;
结果如下：
"最优个体"
m =
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0
"最优适应度"
n =
4.0000
"最优个体对应自变量值"
q =
1.0000
"得到最优结果的代数"
p =
74
此结果非常准确。
H. 遗传算法的编码方法有几种
常用的编码介绍
1、二进制编码：
（1）定义：二进制编码方法是使用二值符号集{0,1}，它所构成的个体基因型是一个二进制编码符号串。二进制编码符号串的长度与问题所要求的求解精度有关。
（2）举例：0≤x≤1023,精度为1,m表示二进制编码的长度。则有建议性说法：使
2m-1≤1000（跟精度有关）≤2m-1。取m=10
则X:0010101111就可以表示一个个体，它所对应的问题空间的值是x=175。
（3）优缺点
优点：符合最小字符集原则，便于用模式定理分析；
缺点：连续函数离散化时的映射误差。
2、格雷码编码
（1）定义：格雷码编码是其连续的两个整数所对应的编码之间只有一个码位是不同的，其余码位完全相同。它是二进制编码方法的一种变形。
十进制数0—15之间的二进制码和相应的格雷码分别编码如下。
二进制编码为：0000，0001，0010，001
1，0100。0101，0110，0111，
1000，1001，1010，1011，1100，1101，1110，1111；
格雷码编码为：0000，0001，0011，0010，0110，0111，0101，0100，
1100，1101，1111，1110，1010，1011，1001，1000。
（2）举例：对于区间[0。1023]中两个邻近的整数X1=175和X2=176，若用长度为10位的二进制编码，可表示为X11：0010101111和X12
0010110000，而使用同样长度的格雷码，它们可分别表示为X21：0010101111和X22：0010101000。
（3）优点：增强了遗传算法的局部搜索能力，便于连续函数的局部控件搜索。
3、浮点数(实数)编码
（1）定义：浮点数编码是指个体的每个基因值用某一范围内的一个浮点数来表示，而个体的编码长度等于其决策变量的个数。因为这种编码方法使用的决策变量的真实值，也称之为真值编码方法。
（2）举例：
（3）优点：实数编码是遗传算法中在解决连续参数优化问题时普遍使用的一种编码方式，具有较高的精度，在表示连续渐变问题方面具有优势。
4、排列编码
排列编码也叫序列编码，是针对一些特殊问题的特定编码方式。排序编码使问题简洁，易于理解。该编码方式将有限集合内的元素进行排列。若集合内包含m个元素，则存在m!种排列方法，当m不大时，m!也不会太大，穷举法就可以解决问题。当m比较大时，m!就会变得非常大，穷举法失效，遗传算法在解决这类问题上具有优势。如解决TSP问题时，用排列编码自然、合理。
5、其它编码方式
多参数级联编码等