安装参考https://www.doczj.com/doc/f43460702.html,/kissrat/archive/2008/10/15/1311563.ht ml
安装：
1、解压gatbx-origin.zip，得到DOC和SRC文件夹；
2、拷贝SRC到Matlab安装目录下的toolbox文件夹中，并将SRC更名为gatbx；
3、打开toolbox\local\目录下的pathdef.m文件，在适当位置添加以下两行代码：（也可addpath）
Code in pathdef.mmatlabroot,'\toolbox\gatbx;',... matlabroot,'\toolbox\gatbx \TEST_FNS;',...
这样子就表示安装好了吧，哈哈。。
>> v=ver('gatbx')
v =
Name: 'Genetic Algorithm Toolbox'
Version: '1.2'
Release: ''
Date: '15-Apr-94'
Licenses: {'unknown'}
然而，事不尽人意，正准备好好研究下它的内置函数时，，
% 创建初始种群
clc;clear;
Nind=60; %种群个体数
Lind=30; %个体长度
[Chrom,Lind,BaseV]=CRTBP(Nind,Lind); %创建随机二进制矩阵
却报错了，错误如下。。。。
Cannot find an exact (case-sensitive)
match for 'CRTBP.m'
The closest match is E:\my programming
software\matlab\matlab
2012a\toolbox\gatbx\CRTBP.M
To change the file extension, cd to the
file's folder, type:
movefile CRTBP.M CRTBP.m_bad;
movefile CRTBP.m_bad CRTBP.m
and then cd back.
Error in sheffield (line 10)
[Chrom,Lind,BaseV]=CRTBP(Nind,Lind);
%创建随机二进制矩阵
上网找了一个解决方法。。
https://www.doczj.com/doc/f43460702.html,/thread-277326-1-1.html
但，仍然出错，，继续找解决方法
https://www.doczj.com/doc/f43460702.html,/matlabcentral/answers/89490-cannot-find-an-exact -case-sensitive-match
https://www.doczj.com/doc/f43460702.html,/help/matlab/matlab_env/toolbox-path-caching-in-t he-matlab-program.html
(⊙o⊙)嗯，原来清空路径缓存就可以啦，开心！（英语还是蛮有用的，以后要好好学，O(∩_∩)O哈哈~）
好啦，弄了一上午，终于可以开启我的遗传算法之旅了！
之前，遗传算法都是自己一点点摸索一点点写的，但是，很不幸，解决问题的效果不好。这就是在打击我的自信心嘛，(⊙o⊙)…所以，决定换个思路，，
这几天整理知识，看了《Matlab智能算法30个案例分析》这本书，嗯，为了更好的解决问题，还是学学著名的Sheffield遗传算法工具箱啦。。
这篇博文整理得还不错https://www.doczj.com/doc/f43460702.html,/zhengnanlee/p/3439649.html
1.创建种群
crtbase：创建基向量
crtbp：创建任意离散随机种群
crtrp：创建实质初始种群
2.适应度计算
ranking：基于排序的适应度分配
scaling：比率适应度计算
3.选择函数
rws：轮盘选择
sus：随机遍历采样
select：高级选择例程
4.交叉算子
recdis：离散重组
recint：中间重组
recline：线性重组
recmut：具有变异特征的线性重组
xovdp：两点交叉算子
xovdprs：减少代理的两点交
xovmp：通常多点交叉
xovsh：洗牌交叉
xovshrs：减少代理的洗牌交叉
xovsp：单点交叉
xovsprs：减少代理的单点交叉
recombin：高级重组算子
5.变异算子
mut：离散变异
mutate：高级变异函数
mutbga：实值变异
6.重插入
reins：一致随机和基于适应度的重插入7.子种群的支持
migrate：在子种群间交换个体
8.实用函数
bs2rv：二进制串到实值的转换
rep：矩阵的复制
遇到了一个区域描述器的概念，有点棘手。。
某一元函数优化
FieldD=[PRECI;lb;ub;1;0;1;1]; %区域描述器某二元函数优化
FieldD=[PRECI PRECI;lbx lby;ubx uby;11;00;11;11]; %区域描述器
X=bs2rv(Chrom,FieldD);
区域描述器行数必须为7
len; (num)
lb; (num)
ub; (num)
code; (0=binary | 1=gray)
scale; (0=arithmetic | 1=logarithmic)
lbin; (0=excluded | 1=included)
ubin]; (0=excluded | 1=included)
len是包含在Chrom中的每个子串的长度，注意sum(len)=length(Chrom)；
lb、ub是行向量，分别指明每个变量使用的上界和下界；
code是二进制行向量，指明子串是怎样编码的，code(i)=1为标准二进制编码，code(i) =0则为格雷编码
scale是二进制行向量，指明每个子串是否使用对数或算术刻度，scale(i)=0为算术刻度，scale(i)=1则为对数刻度；
lbin、ubin是二进制行向量，指明表示范围中是否包含每个边界，选择lbin=0或ubin= 0，表示从范围中去掉边界；lbin=1或ubin=1则表示范
围中包含边界。
遗传算法解决简单问题 %主程序：用遗传算法求解y=200*exp(-0.05*x).*sin(x)在区间[-2,2]上的最大值clc; clear all; close all; global BitLength global boundsbegin global boundsend bounds=[-2,2]; precision=0.0001; boundsbegin=bounds(:,1); boundsend=bounds(:,2); %计算如果满足求解精度至少需要多长的染色体 BitLength=ceil(log2((boundsend-boundsbegin)'./precision)); popsize=50; %初始种群大小 Generationmax=12; %最大代数 pcrossover=0.90; %交配概率 pmutation=0.09; %变异概率 %产生初始种群 population=round(rand(popsize,BitLength)); %计算适应度，返回适应度Fitvalue和累计概率cumsump [Fitvalue,cumsump]=fitnessfun(population); Generation=1; while Generation 硕士生考查课程考试试卷 考试科目： 考生姓名：考生学号： 学院：专业： 考生成绩： 任课老师(签名) 考试日期：年月日午时至时 《MATLAB 教程》试题： A 、利用MATLA B 设计遗传算法程序，寻找下图11个端点最短路径，其中没有连接端点表示没有路径。要求设计遗传算法对该问题求解。 a e h k B 、设计遗传算法求解f (x)极小值，具体表达式如下： 321231(,,)5.12 5.12,1,2,3i i i f x x x x x i =?=???-≤≤=? ∑ 要求必须使用m 函数方式设计程序。 C 、利用MATLAB 编程实现：三名商人各带一个随从乘船渡河，一只小船只能容纳二人，由他们自己划行，随从们密约，在河的任一岸，一旦随从的人数比商人多，就杀人越货，但是如何乘船渡河的大权掌握在商人手中，商人们怎样才能安全渡河？ D 、结合自己的研究方向选择合适的问题，利用MATLAB 进行实验。 以上四题任选一题进行实验，并写出实验报告。 选择题目： B 、设计遗传算法求解f (x)极小值，具体表达式如下： 321231(,,)5.12 5.12,1,2,3i i i f x x x x x i =?=???-≤≤=? ∑ 要求必须使用m 函数方式设计程序。 一、问题分析（10分） 这是一个简单的三元函数求最小值的函数优化问题，可以利用遗传算法来指导性搜索最小值。实验要求必须以matlab 为工具，利用遗传算法对问题进行求解。 在本实验中，要求我们用M 函数自行设计遗传算法，通过遗传算法基本原理，选择、交叉、变异等操作进行指导性邻域搜索，得到最优解。 二、实验原理与数学模型（20分） （1）试验原理： 用遗传算法求解函数优化问题，遗传算法是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法。其采纳了自然进化模型，从代表问题可能潜在解集的一个种群开始，种群由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体；初始种群产生后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的解：在每一代，概据问题域中个体的适应度大小挑选个体；并借助遗传算子进行组合交叉和主客观变异，产生出代表新的解集的种群。这一过程循环执行，直到满足优化准则为止。最后，末代个体经解码，生成近似最优解。基于种群进化机制的遗传算法如同自然界进化一样，后生代种群比前生代更加适应于环境，通过逐代进化，逼近最优解。 遗传算法是一种现代智能算法，实际上它的功能十分强大，能够用于求解一些难以用常规数学手段进行求解的问题，尤其适用于求解多目标、多约束，且目标函数形式非常复杂的优化问题。但是遗传算法也有一些缺点，最为关键的一点，即没有任何理论能够证明遗传算法一定能够找到最优解，算法主要是根据概率论的思想来寻找最优解。因此，遗传算法所得到的解只是一个近似解，而不一定是最优解。 （2）数学模型 对于求解该问题遗传算法的构造过程： （1）确定决策变量和约束条件； GATBX遗传算法工具箱函数及实例讲解 基本原理： 遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期望的终止条件。 运算流程： Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概 率以及遗传运算的终止进化代数。 Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设置变量的取值范围。 Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。 Step 4：执行比例选择算子进行选择操作。 Step 5：按交叉概率对交叉算子执行交叉操作。 Step 6：按变异概率执行离散变异操作。 Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。 Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果。 运用遗传算法工具箱: 运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库。目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算法工具箱GATBX、GAOT以及Math Works公司推出的GADS。实际上，GADS就是大家所看到的Matlab中自带的工具箱。我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要就是因为用的工具箱不同。因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写遗传算法代码时，要根据你所安装的工具箱来编写代码。 以GATBX为例，运用GATBX时，要将GATBX解压到Matlab下的toolbox文件夹里，同时，set path将GATBX文件夹加入到路径当中。 这块内容主要包括两方面工作：1、将模型用程序写出来（.M文件），即目标函数，若目标函数非负，即可直接将目标函数作为适应度函数。2、设置遗传算法的运行参数。包括：种群规模、变量个数、区域描述器、交叉概率、变异概率以及遗传运算的终止进化代数等等。 % f(x)=11*sin(6x)+7*cos(5x),0<=x<=2*pi; %%初始化参数 L=16;%编码为16位二进制数 N=32;%初始种群规模 M=48;%M个中间体，运用算子选择出M/2对母体，进行交叉；对M个中间体进行变异 T=100;%进化代数 Pc=0.8;%交叉概率 Pm=0.03;%%变异概率 %%将十进制编码成16位的二进制，再将16位的二进制转成格雷码 for i=1:1:N x1(1,i)= rand()*2*pi; x2(1,i)= uint16(x1(1,i)/(2*pi)*65535); grayCode(i,:)=num2gray(x2(1,i),L); end %% 开始遗传算子操作 for t=1:1:T y1=11*sin(6*x1)+7*cos(5*x1); for i=1:1:M/2 [a,b]=min(y1);%找到y1中的最小值a，及其对应的编号b grayCodeNew(i,:)=grayCode(b,:);%将找到的最小数放到grayCodeNew中grayCodeNew(i+M/2,:)=grayCode(b,:);%与上面相同就可以有M/2对格雷码可以作为母体y1(1,b)=inf;%用来排除已找到的最小值 end for i=1:1:M/2 p=unidrnd(L);%生成一个大于零小于L的数，用于下面进行交叉的位置if rand() 遗传算法经典学习Matlab代码 遗传算法实例: 也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。 对于初学者，尤其是还没有编程经验的非常有用的一个文件 遗传算法实例 % 下面举例说明遗传算法% % 求下列函数的最大值% % f(x)=10*sin(5x)+7*cos(4x) x∈[0,10]% % 将x 的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为(10-0)/(2^10-1)≈0.01。% % 将变量域[0,10] 离散化为二值域[0,1023], x=0+10*b/1023, 其 中 b 是[0,1023] 中的一个二值数。% % % %--------------------------------------------------------------------------------------------------------------% %--------------------------------------------------------------------------------------------------------------% % 编程 %----------------------------------------------- % 2.1初始化(编码) % initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)， % 长度大小取决于变量的二进制编码的长度(在本例中取10位)。 %遗传算法子程序 %Name: initpop.m %初始化 function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength)); % rand随机产生每个单元 为{0,1} 行数为popsize，列数为chromlength的矩阵， % roud对矩阵的每个单元进行圆整。这样产生的初始种群。 % 2.2 计算目标函数值 % 2.2.1 将二进制数转化为十进制数(1) %遗传算法子程序 %Name: decodebinary.m %产生[2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制 function pop2=decodebinary(pop) [px,py]=size(pop); %求pop行和列数 for i=1:py pop1(:,i)=2.^(py-i).*pop(:,i); end pop2=sum(pop1,2); %求pop1的每行之和 % 2.2.2 将二进制编码转化为十进制数(2) % decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置 实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别 代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率，为电阻率。可见电极的结构参数影响着电极损 耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2) 其中()T n x x x X ,...,,21=是决策向量，x 1，…，x n 为n 个设计变量。这是一个单目标的数学规划问题：在一组针对决策变量的约束条件()0,1,...,j g X j p ≤=下，使目标函数最小化（有时 也可能是最大化，此时在目标函数()X f 前添个负号即可）。满足约束条件的解X 称为可行解，所有满足条件的X 组成问题的可行解空间。 2. 遗传算法基本原理和基本操作 遗传算法(Genetic Algorithm, GA)是一种非常实用、高效、鲁棒性强的优化技术，广 泛应用于工程技术的各个领域(如函数优化、机器学习、图像处理、生产调度等)。遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化算法。按照达尔文的进化论，生物在进化过程中“物竞天择”，对自然环境适应度高的物种被保留下来，适应度差的物种而被淘汰。物种通过遗传将这些好的性状复制给下一代，同时也通过种间的交配(交叉)和变异不断产生新的物种以适应环境的变化。从总体水平上看，生物在进化过程中子代总要比其父代优良，因此生物的进化过程其实就是一个不断产生优良物种的过程，这和优化设计问题具有惊人的相似性，从而使得生物的遗传和进化能够被用于实际的优化设计问题。 按照生物学知识，遗传信息基因(Gene)的载体是染色体(Chromosome)，染色体中 一定数量的基因按照一定的规律排列（即编码），遗传基因在染色体中的排列位置称为基因 文章编号：1006-1576（2005）06-0115-02 Matlab遗传算法工具箱的应用 曾日波 （江西财经大学电子学院，江西南昌 330013） 摘要：Matlab遗传算法（GA）优化工具箱是基于基本操作及终止条件、二进制和十进制相互转换等操作的综合函数库。其实现步骤包括：通过输入及输出函数求出遗传算法主函数、初始种群的生成函数，采用选择、交叉、变异操作求得基本遗传操作函数。以函数仿真为例，对该函数优化和GA改进，只需改写函数m文件形式即可。 关键词：遗传算法；Matlab；遗传算法工具箱；仿真 中图分类号：TP391.9 文献标识码：A Application of Genetic Algorithm Toolbox Based on Matlab ZENG Ri-bo (College of Finance and Economics Electronics, Jiangxi University, Nanchang 330013, China) Abstract: The optimization toolbox of Matlab genetic algorithm (GA) is a excellent generalized function library is to bases on basic operation and terminate term, the inter-conversion between binary system and ten system the system etc. Its step includes: the main function of GA and the creation functions of initial population was calculated through inputting and outputting functions, and the basic functions of genetic operation was computed by choosing, interlacing, and aberrance functions to realize the system. Take the function simulation as an example, the optimization of function and improvement of GA were achieved by modification the file format of m function. Keywords: Genetic algorithm; Matlab; Optimization toolbox; Simulation 1 引言 遗传算法（GA：Genetic Algorithm）是对生物进化过程进行的数学方式仿真。将Matlab引入遗传算法，在Matlab平台上开发遗传算法的优化工具箱（GAOT：Genetic Algorithm for Optimization Toolbox），可更好地认识GA，改进GA。 2 基于Matlab的优化工具箱 遗传算法的优化工具箱（GAOT）是从遗传算法的基本结构出发，考虑到基本操作及终止条件、二进制和十进制的相互转换等操作的综合函数库。 2.1遗传算法主函数 function[x,endPop,bPop,traceInfo]= ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps, selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps) 输出参数：x－最优解，endPop－最终种群，bPop－最优种群的搜索轨迹。 输入参数：bounds－变量上下界的矩阵，evalFN－适应度函数，evalOps－传递给适应度函数的参数，startPop－初始种群，termFN－终止函数的名称，termOps－传递个终止函数的参数，selectFN －选择函数的名称，selectOps－传递个选择函数的参数，xOverFNs－交叉函数名称表，以空格分开，xOverOps－传递给交叉函数的参数表，mutFNs－变异函数表，mutOps－传递给交叉函数的参数表。 2.2 初始种群的生成函数 function[pop]=initializega (num,bounds,eevalFN,eevalOps,options) 输出参数：pop－生成的初始种群。 输入参数：num－种群中的个体数目，bounds －代表变量的上下界的矩阵，eevalFN－适应度函数，eevalOps－传递给适应度函数的参数，options －选择编码形式（浮点编码或是二进制编码）[precision F_or_B]，precision－变量进行二进制编码时指定的精度，F_or_B－为1时选择浮点编码，否则为二进制编码,由precision指定精度)。 2.3 基本遗传操作函数 (1) 选择 function[newPop] = Select(oldPop,options) 参数说明：newPop－由父代种群选出的新的种群，oldPop－当前的种群（即父代种群），options －选择概率。 (2) 交叉 function [c1,c2]=crossover(p1,p2,bounds,ops) 参数说明：p1－第一个父代个体，p2－第二个父代个体，bounds－可行域的边界矩阵，c1、c2－产生的两个新的子代。 (3) 变异 function [child] = Mutation(par,bounds,genInfo,Ops) 变异操作是由一个父代产生单个子代。 3 仿真实例与分析 收稿日期：2005-06-15；修回日期：2005-08-07 作者简介：曾日波（1964-），男，江西人，2000年获华中科技大学工程硕士学位，从事嵌入式系统的应用研究。 ·115· matlab遗传算法工具箱函数及实例讲解 最近研究了一下遗传算法，因为要用遗传算法来求解多元非线性模型。还好用遗传算法的工箱予以实现了，期间也遇到了许多问题。借此与大家分享一下。 首先，我们要熟悉遗传算法的基本原理与运算流程。 基本原理：遗传算法是一种典型的启发式算法，属于非数值算法范畴。它是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它是采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。遗传算法的操作对象是一群二进制串（称为染色体、个体），即种群，每一个染色体都对应问题的一个解。从初始种群出发，采用基于适应度函数的选择策略在当前种群中选择个体，使用杂交和变异来产生下一代种群。如此模仿生命的进化进行不断演化，直到满足期望的终止条件。 运算流程： Step 1：对遗传算法的运行参数进行赋值。参数包括种群规模、变量个数、交叉概率、变异概率以及遗传运算的终止进化代数。 Step 2：建立区域描述器。根据轨道交通与常规公交运营协调模型的求解变量的约束条件，设置变量的取值范围。 Step 3：在Step 2的变量取值范围内，随机产生初始群体，代入适应度函数计算其适应度值。 Step 4：执行比例选择算子进行选择操作。 Step 5：按交叉概率对交叉算子执行交叉操作。 Step 6：按变异概率执行离散变异操作。 Step 7：计算Step 6得到局部最优解中每个个体的适应值，并执行最优个体保存策略。 Step 8：判断是否满足遗传运算的终止进化代数，不满足则返回Step 4，满足则输出运算结果。 其次，运用遗传算法工具箱。 运用基于Matlab的遗传算法工具箱非常方便，遗传算法工具箱里包括了我们需要的各种函数库。目前，基于Matlab的遗传算法工具箱也很多，比较流行的有英国设菲尔德大学开发的遗传算法工具箱GATBX、GAOT以及Math Works公司推出的GADS。实际上，GADS 就是大家所看到的Matlab中自带的工具箱。我在网上看到有问为什么遗传算法函数不能调用的问题，其实，主要就是因为用的工具箱不同。因为，有些人用的是GATBX带有的函数，但MATLAB自带的遗传算法工具箱是GADS，GADS当然没有GATBX里的函数，因此运行程序时会报错，当你用MATLAB来编写遗传算法代码时，要根据你所安装的工具箱来编写代码。 出必精品：雷英杰《Matlab遗传算法工具箱及应用》 Sheffield大学gatbs工具箱所有算例下载及调试说明 这段时间对雷英杰编著《Matlab遗传算法工具箱及应用》涉及Sheffield大学gatbs工具箱的所有算例进行了调试，并修正了一些算例源码中的错误，具体注释可见附件，几点说明如下: 1.附件结构: gatbx.rar: (1)gatbx-origin.zip; (2)gatbx-toolbox.rar; (3)gatbx-example.rar 2.调试所用Matlab版本是6.5，gatbx-toolbox是调试过程中使用的工具箱，有些热心的研友已经提供了该工具箱，之所以再贴一遍，是因为6.5版本下调试该工具箱会出现一些错误提示，在该版本中已经进行了改正，使用该工具箱只需要将压缩包下的gatbx和gatbx\Test_fns加入到Matlab搜索路径即可，另外gatbx-origin是Sheffield大学提供的原始版本的工具箱，未做任何改动，两者可做比较之用 3.gatbx-example是算例调试源码和各算例的调试说明，大家可以对照原书进行比较 4.窃以为gatbx工具箱较之Matlab7新版下的gads工具箱更能让人熟悉和了解遗传算法的原理和计算过程，虽然在可视化方面不及gads 5.学习遗传算法如果首先用熟相关工具箱的话，能够先培养信心，然后更有兴趣去专研和了解具体的算法，如果就用现有的工具箱就能解决问题的话，不了解其详细的算法也未尝不可，毕竟不是每个研友都能向see_moonlight那样开发自己的工具箱吧, 最后感谢see_moonlight斑竹的大力支持和鼓励，在此谨致谢意～ function youhuafun D=code; N=50;%Tunable maxgen=50;%Tunable crossrate=0.5;%Tunable muterate=0.08;%Tunable generation=1; num=length(D); fatherrand=randint(num,N,3); score=zeros(maxgen,N); while generation<=maxgen ind=randperm(N-2)+2;%随机配对交叉 A=fatherrand(:,ind(1:(N-2)/2)); B=fatherrand(:,ind((N-2)/2+1:end)); %多点交叉 rnd=rand(num,(N-2)/2); ind=rnd tmp=A(ind); A(ind)=B(ind); B(ind)=tmp; %%两点交叉 %for kk=1:(N-2)/2 %rndtmp=randint(1,1,num)+1; %tmp=A(1:rndtmp,kk); %A(1:rndtmp,kk)=B(1:rndtmp,kk); %B(1:rndtmp,kk)=tmp; %end fatherrand=[fatherrand(:,1:2),A,B]; %变异 rnd=rand(num,N); ind=rnd[m,n]=size(ind); tmp=randint(m,n,2)+1; tmp(:,1:2)=0; fatherrand=tmp+fatherrand; fatherrand=mod(fatherrand,3); %fatherrand(ind)=tmp; %评价、选择 scoreN=scorefun(fatherrand,D);%求得N个个体的评价函数 score(generation,:)=scoreN; [scoreSort,scoreind]=sort(scoreN); sumscore=cumsum(scoreSort); sumscore=sumscore./sumscore(end); childind(1:2)=scoreind(end-1:end); for k=3:N tmprnd=rand; tmpind=tmprnd difind=[0,diff(t mpind)]; if~any(difind) difind(1)=1; end childind(k)=scoreind(logical(difind)); end fatherrand=fatherrand(:,childind); generation=generation+1; end %score maxV=max(score,[],2); minV=11*300-maxV; plot(minV,'*');title('各代的目标函数值'); F4=D(:,4); FF4=F4-fatherrand(:,1); FF4=max(FF4,1); D(:,5)=FF4; save DData D function D=code load youhua.mat %properties F2and F3 F1=A(:,1); F2=A(:,2); F3=A(:,3); if(max(F2)>1450)||(min(F2)<=900) error('DATA property F2exceed it''s range (900,1450]') end %get group property F1of data,according to F2value F4=zeros(size(F1)); for ite=11:-1:1 index=find(F2<=900+ite*50); F4(index)=ite; end D=[F1,F2,F3,F4]; function ScoreN=scorefun(fatherrand,D) F3=D(:,3); F4=D(:,4); N=size(fatherrand,2); FF4=F4*ones(1,N); FF4rnd=FF4-fatherrand; FF4rnd=max(FF4rnd,1); ScoreN=ones(1,N)*300*11; %这里有待优化 Matlab遗传算法工具箱 基于Matlab平台的遗传算法(GA)工具箱主要有：美国北卡罗来纳大学开发的GAOT、英国谢菲尔德大学开发的GATBX以及GADS(Genetic Algorithm and Direct Search Toolbox)遗传算法与直接搜索工具箱。遗传算法与直接搜索工具箱的界面如图所示： GADS工具箱用户界面 (1)Solver(求解器)：用于选择需要的算法。 (2)Problem：需要解决的问题。包括： 1)Fitness function：需要最小化的适应度函数，填写的格式为：@objfun，其中objfun.m是编写适应度函数的M文件，返回一个具体数值。 2)Number of variables：适应度函数的自变量的数目，此处表示优化设计的设计变量个数。 (3)Constraints约束。 1)Linear inequalities线性不等式约束，表示为：* ，填写矩阵A和向 A x b 量b的信息。 2)Linear equalities 线性等式约束，表示为：*Aeq x beq ，填写矩阵Aeq 和向量beq 的信息。 3)Bounds ：填写独立变量的取值范围。在Lower 中填写变量的取值下界，Upper 中填写变量的取值上界，均以向量形式表示。 4)Nonlinear constraint function 非线性约束函数，编写非线性约束函数的M 文件nonlcon.m ，则在此处填写@nonlcon 。 (4)Run solver and view results 运行求解器并观察结果。点击Start 即可开始运行。Current iteration 中将显示当前运行的代数。Final point 栏中显示最优解对应的变量的取值。 (5)Option 部分是遗传算法参数的设定。 1)Population 种群参数设定。 Population type 种群类型，设定适应度函数的输入数据类型。工具箱提供了 两种输入类型：双精度、串位，用户还可以编写M 文件自定义输入数据的类型。 Population size 种群规模，定义每一代种群的个体数量。种群规模越大，遗传算法的运行速度越慢。 Creation function 创建函数，用于创建初始种群。 Initial population 初始种群，如果不指定初始种群，则系统将运用创建函数创建初始种群。 Initial scores 初始得分，如果此处没有定义初始得分，则系统应用适应度函数来计算初始得分。 Initial range 初始范围，用于指定初始种群中的各变量的上下限。初始范围用一个矩阵表示，该矩阵行数为2，列数为变量的个数。其中第一行描述初始种群中变量的取值下限，第二行描述初始种群中变量的取值上限。 2)Fitness scaling 适应度测量，包括：Rank 排序尺度变换、Proportional 比例尺度变换、Top 顶级尺度变换、Shift linear 线性转换尺度变换以及Custom 用户自定义。 3)Selection 选择，工具箱提供了以下几种选择函数：Stochastic uniform 随机 均匀分布、 Remainder 剩余、Uniform 均匀分布、Roulette 轮盘赌选择、Tournament 锦标赛选项、Custom 用户自定义。 4)Reproduction 再生参数，需设定可生存到下一代的精英个数Elite count ，以及下一代由交叉产生的部分所占比例Crossover fraction 。 遗传算法的程序实例 如求下列函数的最大值 f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] 一、初始化(编码) initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)， 长度大小取决于变量的二进制编码的长度(在本例中取10位)。 代码: %Name: initpop.m %初始化 function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength)); % rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵， % roud对矩阵的每个单元进行圆整。这样产生的初始种群。 二、计算目标函数值 1、将二进制数转化为十进制数(1) 代码: %Name: decodebinary.m %产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制 function pop2=decodebinary(pop) [px,py]=size(pop); %求pop行和例数 for i=1:py pop1(:,i)=2.^(py-1).*pop(:,i); py=py-1; end pop2=sum(pop1,2); %求pop1的每行之和 2、将二进制编码转化为十进制数(2) decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置。(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。本例为1)，参数1ength表示所截取的长度（本例为10）。 代码: %Name: decodechrom.m %将二进制编码转换成十进制 function pop2=decodechrom(pop,spoint,length) pop1=pop(:,spoint:spoint+length-1); pop2=decodebinary(pop1); 3、计算目标函数值 calobjvalue.m函数的功能是实现目标函数的计算，其公式采用本文示例仿真，可根据不同优化问题予以修改。 最新最全的遗传算法工具箱Gaot_v5及说明 Gaot_v5下载地址：https://www.doczj.com/doc/f43460702.html,/mirage/GAToolBox/gaot/gaotv5.zip 添加遗传算法路径： 1、 matlab的file下面的set path把它加上，把路径加进去后在 2、 file→Preferences→General的Toolbox Path Caching里点击update Toolbox Path Cache更新一下，就OK了 遗传算法工具箱Gaot_v5包括许多实用的函数，各种算子函数，各种类型的选择方式，交叉、变异方式。这些函数按照功能可以分成以下几类： 主程序 ga.m提供了 GAOT 与外部的接口。它的函数格式如下： [x endPop bPop traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps, selectFn,selectOps,xOverFNs,xOverOps,mutFNs,mutOps) 输出参数及其定义如表 1 所示。输入参数及其定义如表 2 所示。 表1 ga.m的输出参数 输出参数 定义 x 求得的最好的解，包括染色体和适应度 endPop 最后一代染色体（可选择的） bPop 最好染色体的轨迹（可选择的） traceInfo 每一代染色体中最好的个体和平均适应度（可选择的） 表2 ga.m的输入参数 表3 GAOT核心函数及其它函数 核心函数： (1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数 【输出参数】 pop--生成的初始种群 【输入参数】 num--种群中的个体数目 bounds--代表变量的上下界的矩阵 eevalFN--适应度函数 eevalOps--传递给适应度函数的参数 options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如 precision--变量进行二进制编码时指定的精度 F_or_B--为1时选择浮点编码，否则为二进制编码,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)--遗传算法函数 【输出参数】 x--求得的最优解 endPop--最终得到的种群 bPop--最优种群的一个搜索轨迹 【输入参数】 用遗传算法优化BP神经网络的Matlab编程实例（转） 由于BP网络的权值优化是一个无约束优化问题，而且权值要采用实数编码，所以直接利用Matlab遗传算法工具箱。以下贴出的代码是为一个19输入变量，1个输出变量情况下的非线性回归而设计的，如果要应用于其它情况，只需改动编解码函数即可。 程序一：GA训练BP权值的主函数 function net=GABPNET(XX,YY) %-------------------------------------------------------------------------- % GABPNET.m % 使用遗传算法对BP网络权值阈值进行优化，再用BP算法训练网络 %-------------------------------------------------------------------------- %数据归一化预处理 nntwarn off XX=[1:19;2:20;3:21;4:22]'; YY=[1:4]; XX=premnmx(XX); YY=premnmx(YY); YY %创建网络 net=newff(minmax(XX),[19,25,1],{'tansig','tansig','purelin'},'tra inlm'); %下面使用遗传算法对网络进行优化 P=XX; T=YY; R=size(P,1); S2=size(T,1); S1=25;%隐含层节点数 S=R*S1+S1*S2+S1+S2;%遗传算法编码长度 aa=ones(S,1)*[-1,1]; popu=50;%种群规模 save data2 XX YY % 是将 xx,yy 二个变数的数值存入 data2 这个MAT-file，initPpp=initializega(popu,aa,'gabpEval');%初始化种群 gen=100;%遗传代数 matlab自带优化工具箱遗传算法中文解释 problem setup and results设置与结果 problem fitness function适应度函数 number of variable变量数 constraints约束 linear inequalities线性不等式，A*x<=b形式，其中A是矩阵，b是向量 linear equalities线性等式，A*x=b形式，其中A是矩阵，b是向量 bounds定义域，lower下限，upper上限，列向量形式，每一个位置对应一个变量 nonlinear constraint function非线性约束，用户定义，非线性等式必须写成c=0形式，不等式必须写成c<=0形式 integer variable indices整型变量标记约束，使用该项时Aeq和beq必须为空，所有非线性约束函数必须返回一个空值，种群类型必须是实数编码 run solver and view results求解 use random states from previous run使用前次的状态运行，完全重复前次运行的过程和结果 population population type编码类型 double vector实数编码，采用双精度 bitstring二进制编码对于生成函数和变异函数，只能选用uniform和custom，对于杂交函数，只能使用 scattered singlepoint，twopoint或custom不能使用hybrid function和nonlinear constraint function custom 自定义 population size：种群大小 creation function：生成函数，产生初始种群 constraint dependent：约束相关，无约束时为uniform，有约束时为feasible population uniform：均匀分布 feasible population ：自适应种群，生成能够满足约束的种群 initial population：初始种群，不指定则使用creation function生成，可以指定少于种群数量的种群，由creation function完成剩余的 initial scores：初始值，如果不指定，则有计算机计算适应度函数作为初始值，对于整型约束不可用，使用向量表示 initial range：初始范围，使用向量矩阵表示，第一行表示范围的下限，第二行表示上限 fitness scaling:适应度尺度 rank：等级。将适应度排序，然后编号 proportional：按比例 top：按比例选取种群中最高适应度的个体，这些个体有等比例的机会繁衍，其余的个体被淘汰 shift linear：线性转换MATLAB课程遗传算法实验报告及源代码
遗 传 算 法 详 解 ( 含 M A T L A B 代 码 )
遗传算法Matlab程序
遗传算法经典MATLAB代码资料讲解
MATLAB实验遗传算法与优化设计
Matlab遗传算法工具箱的应用
matlab遗传算法工具箱函数及实例讲解
出必精品：雷英杰《Matlab遗传算法工具箱及应用》Sheffield大学gatbs工具箱所有算例下载及调试说明
基于遗传算法的matlab源代码
【实用资料】Matlab遗传算法工具箱简介.pdf
遗传算法的MATLAB程序实例
最新最全的遗传算法工具箱及说明
基于遗传算法的BP神经网络MATLAB代码
matlab自带优化工具箱遗传算法中文解释
相关主题
文本预览