遗传算法matlab实现源程序Word文件下载.docx
《遗传算法matlab实现源程序Word文件下载.docx》由会员分享，可在线阅读，更多相关《遗传算法matlab实现源程序Word文件下载.docx（9页珍藏版）》请在冰豆网上搜索。
opti=population（sequ,:
end
clearsequ;
fmax=22000;
%==
forgen=1:
maxgen
%选择操作
%将求最小值的函数转化为适应度函数
forindivi=1:
obj1（indivi）=1/obj（indivi）;
clearindivi;
%适应度函数累加总合
total=0;
total=total+obj1（indivi）;
%每条染色体被选中的几率
fitness1（indivi）=obj1（indivi）/total;
%各条染色体被选中的范围
fitness（indivi）=0;
forj=1:
indivi
fitness（indivi）=fitness（indivi）+fitness1（j）;
clearj;
fitness;
%选择适应度高的个体
forranseti=1:
ran=rand;
while（ran>
1||ran<
0）
ran;
ifran<
=fitness
（1）
newpopulation（ranseti,:
）=population（1,:
else
forfet=2:
if（ran>
fitness（fet-1））&
&
（ran<
=fitness（fet））
）=population（fet,:
clearran;
newpopulation;
%交叉
forint=1:
2:
popsize-1
popmoth=newpopulation（int,:
popfath=newpopulation（int+1,:
popcross（int,:
）=popmoth;
popcross（int+1,:
）=popfath;
randnum=rand;
if（randnum<
P>
cpoint1=round（rand*hromlength）;
cpoint2=round（rand*hromlength）;
while（cpoint2==cpoint1）
ifcpoint1>
cpoint2
tem=cpoint1;
cpoint1=cpoint2;
cpoint2=tem;
cpoint1;
cpoint2;
forterm=cpoint1+1:
forss=1:
hromlength
ifpopcross（int,ss）==popfath（term）
tem1=popcross（int,ss）;
popcross（int,ss）=popcross（int,term）;
popcross（int,term）=tem1;
cleartem1;
ifpopcross（int+1,ss）==popmoth（term）
tem1=popcross（int+1,ss）;
popcross（int+1,ss）=popcross（int+1,term）;
popcross（int+1,term）=tem1;
cleartem1;
clearterm;
clearrandnum;
popcross;
%变异操作
newpop=popcross;
ifrandnum
cpoint12=round（rand*hromlength）;
cpoint22=round（rand*hromlength）;
if（cpoint12==0）
cpoint12=1;
if（cpoint22==0）
cpoint22=1;
while（cpoint22==cpoint12）
ifcpoint22==0;
temp=newpop（int,cpoint12）;
newpop（int,cpoint12）=newpop（int,cpoint22）;
newpop（int,cpoint22）=temp;
newpop;
clearcpoint12;
clearcpoint22;
clearint;
forium=1:
vector1=newpop（ium,:
obj1（ium）=hanshu（hromlength,vector1,phen）;
clearium;
obj1max=max（obj1）;
forar=1:
ifobj1（ar）==obj1max
newpop（ar,:
）=opti;
%遗传操作结束
二．粒子群算法源程序：
%------初始格式化--------------------------------------------------
clearall;
formatlong;
%------给定初始化条件----------------------------------------------
c1=1.4962;
%学习因子1
c2=1.4962;
%学习因子2
w=0.7298;
%惯性权重
MaxDT=100;
%最大迭代次数
D=2;
%搜索空间维数（未知数个数）
N=40;
%初始化群体个体数目
eps=10^（-6）;
%设置精度（在已知最小值时候用）
%------初始化种群的个体（可以在这里限定位置和速度的范围）------------
fori=1:
N
D
x（i,j）=randn;
%随机初始化位置
v（i,j）=randn;
%随机初始化速度
%------先计算各个粒子的适应度，并初始化Pi和Pg----------------------
p（i）=fitness（x（i,:
）,D）;
y（i,:
）=x（i,:
pg=x（1,:
%Pg为全局最优
fori=2:
iffitness（x（i,:
）,D）<
FITNESS（pg,D）
pg=x（i,:
%------进入主要循环，按照公式依次迭代，直到满足精度要求------------
fort=1:
MaxDT
t
fori=1:
v（i,:
）=w*v（i,:
）+c1*rand*（y（i,:
）-x（i,:
））+c2*rand*（pg-x（i,:
））;
x（i,:
）+v（i,:
p（i）
ifp（i）<
pg=y（i,:
Pbest（t）=fitness（pg,D）;
%------最后给出计算结果
disp（'
*************************************************************'
）
函数的全局最优位置为：
'
Solution=pg'
最后得到的优化极值为：
Result=fitness（pg,D）
[X,Y]=meshgrid（-500:
500）;
Z=X.*sin（sqrt（X））+Y.*（sin（sqrt（Y）））;
holdon
contour（X,Y,Z）
plot（x（:
1）,x（:
2）,'
*'
holdoff
升级会员 