下载文档原格式
matlab遗传算法工具箱关于离散变量优化算例离散优化问题在实际应用中具有重要意义，其中遗传算法是一种常用的解决离散优化问题的方法。
Matlab遗传算法工具箱提供了一系列强大的函数和工具来帮助开发者实现离散变量优化算法。
本文将介绍如何使用Matlab遗传算法工具箱解决离散变量优化问题，并给出一个算例来演示其应用。
1. 算法背景离散优化问题是指在一组有限离散值中寻找最优解的问题。
这些离散值可能代表不同的决策或选择，例如在某个集合中选取最佳的元素组合。
传统的优化算法无法直接应用于离散变量优化问题，而遗传算法则具有较好的适应性。
遗传算法是一种模拟生物进化过程的优化算法，通过模拟基因的交叉、变异和选择来搜索最优解。
2. Matlab遗传算法工具箱简介Matlab遗传算法工具箱是Matlab平台上用于遗传算法优化设计和问题求解的工具包。
它提供了一系列函数和工具，可以简便地实现离散变量优化算法。
其中常用的函数包括：- ga：用于定义遗传算法的参数和问题函数，进行优化计算。
- gamultiobj：用于多目标优化的遗传算法。
- customSelectionFcn：自定义选择函数，用于指定选择操作。
- customCrossoverFcn：自定义交叉函数，用于指定交叉操作。
- customMutationFcn：自定义变异函数，用于指定变异操作。
3. 算例演示假设我们有一个离散优化问题，要在集合{1, 2, 3, 4, 5}中找到一个长度为5的序列，使得序列中所有元素的和最大。
首先，我们需要定义问题函数和适应度函数。
问题函数用于定义问题的约束条件，适应度函数则计算每个个体的适应度值。
```matlabfunction f = problemFunction(x)f = sum(x);endfunction f = fitnessFunction(x)f = -problemFunction(x); % 求和最大化，所以需要取负值end```接下来，我们可以使用Matlab遗传算法工具箱中的`ga`函数进行优化计算。
matlab遗传算法工具箱导出数据的方法-回复如何使用MATLAB遗传算法工具箱导出数据MATLAB是一种广泛使用的数值计算和数据可视化软件，其遗传算法工具箱（Genetic Algorithm Toolbox）是一款强大的用于解决优化问题的工具。
在使用遗传算法工具箱时，可能会遇到需要导出数据的情况。
本文将详细介绍如何使用MATLAB遗传算法工具箱导出数据，并提供一步一步的操作指南。
第一步：加载遗传算法工具箱首先，打开MATLAB软件并加载遗传算法工具箱。
在命令窗口输入"ga"命令，即可加载遗传算法工具箱。
第二步：定义适应度函数在使用遗传算法工具箱前，需要定义一个适应度函数。
适应度函数用于度量个体对问题的适应程度，其中最佳适应程度对应最优解。
在定义适应度函数时，可以根据特定问题的要求进行自定义。
第三步：设置遗传算法参数在使用遗传算法工具箱之前，还需要设置一些遗传算法的参数。
这些参数包括种群数量、迭代次数、交叉概率、变异概率等。
根据具体问题的要求，选择合适的参数值。
第四步：运行遗传算法在完成适应度函数和参数设置后，就可以运行遗传算法了。
在命令窗口输入"ga"命令，并将适应度函数和参数作为输入参数传递给该命令。
第五步：导出数据使用遗传算法工具箱进行优化后，可能需要将优化结果导出。
下面介绍几种常用的导出数据的方法。
方法一：使用内置函数MATLAB提供了一些内置函数用于导出数据，其中比较常用的是"save"和"xlswrite"函数。
1. 使用"save"函数"save"函数用于保存变量和工作空间中的数据。
通过在命令窗口输入"save"命令，再将需要保存的变量名作为参数传递给该命令，即可将变量保存为.mat文件。
例如，要将名为"result"的变量保存为.mat文件，可以使用以下命令：save('result.mat', 'result')2. 使用"xlswrite"函数"xlswrite"函数用于将数据写入Excel文件。
简单的遗传算法可以使用Matlab自带的遗传算法工具箱，但是要从Matlab2010版本之后才会自带这个工具箱，且调用命令也有变化，分别是gatool和optimtool。
GUI界面如下图所示：1、problem setup and results设置与结果（1）Solver：求解程序，选择要用的求解程序（遗传算法，遗传算法多目标等）（2）problem：1）fitness function适应度函数，求最小,这里的使用度函数要自己编写，书写格式是“@函数名”。
2）number of variable变量数，必须是整数，即，使用这个GUI界面的适应度函数的变量必须是[1*n]的向量，而不能是[m*n]的矩阵。
3）constraints约束4）linear inequalities线性不等式，A*x<=b形式，其中A是矩阵，b是向量5）linear equalities线性等式，A*x=b形式，其中A是矩阵，b是向量6）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7）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8）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举例，若是想让第一个、第三个、第五个变量保持是整数的话，则直接在此处填写[1 3 5] 9）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2、population（1）population type编码类型1）double vector实数编码，采用双精度。
整数规划的种群类型必须是实数编码。
1. 引言遗传算法是一种模拟自然选择与遗传机制的优化算法，被广泛应用于离散变量优化问题的求解。
在Matlab软件中，有专门的工具箱可以支持遗传算法的实现与应用，极大地方便了工程技术人员进行离散变量优化问题的研究与应用。
本文将介绍Matlab遗传算法工具箱在离散变量优化算例中的应用，并通过具体案例来展示其实际求解效果。
2. Matlab遗传算法工具箱介绍Matlab遗传算法工具箱是Matlab软件的一个重要工具箱，它提供了丰富的遗传算法函数和工具，方便用户进行遗传算法的实现和应用。
在离散变量优化问题的求解中，用户可以利用工具箱提供的函数对问题进行建模、参数设置、运行算法等操作，从而快速高效地求解问题。
3. 离散变量优化算例为了更好地展示Matlab遗传算法工具箱在离散变量优化中的应用效果，我们选取了一个经典的离散变量优化问题作为算例，具体问题描述如下：设有一组零件需要进行装配，零件的形状和尺寸有多种选择。
每种零件的装配工艺和成本不同，需要选择最佳的零件组合方案来满足装配要求并使总成本最低。
假设可供选择的零件种类有n种，每种零件有m个备选方案，且装配每种零件的成本已知。
问应选择哪些零件及其具体方案才能使得总装配成本最低？4. Matlab遗传算法工具箱的应用为了利用Matlab遗传算法工具箱求解上述离散变量优化问题，我们可以按照以下步骤进行操作：1) 利用Matlab的数据处理工具，将零件的备选方案数据以矩阵的形式导入Matlab环境；2) 利用工具箱提供的函数对遗传算法的参数进行设置，例如选择交叉方式、变异方式、群体大小、迭代次数等；3) 利用工具箱提供的函数对离散变量优化问题进行编码和解码，以便算法能够对离散变量进行操作；4) 利用工具箱提供的函数编写适应度函数，用于评价每个个体的适应度；5) 利用工具箱提供的主函数运行遗传算法，获取最优解及其对应的总装配成本。
5. 案例求解结果分析通过上述步骤，我们在Matlab环境中成功应用遗传算法工具箱求解了离散变量优化问题。
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具箱予以实现了，期间也遇到了许多问题。
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：Step1：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。
Step2：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。
Step3：在Step2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。
Step4：执行比例选择算子进行选择操作。
Step5：按交叉概率对交叉算子执行交叉操作。
Step6：按变异概率执行离散变异操作。
Step7：计算Step6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。
Step8：判断是否满足遗传运算的终止进化代数，不满足则返回Step4，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GATB某、GAOT以及MathWork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。
实验一利用MATLA实现遗传算法一、实验目的1、熟悉MATLA语言编程环境2、掌握MATLA语言命令3、学会利用MATLA编程实现遗传算法二、实验原理MATLA是美国Math Works公司出品的商业数学软件，用于算法开发、数据可视化、数据分析以及数值计算的高级技术计算语言和交互式环境，MATLA可以进行矩阵运算、绘制函数和数据、实现算法、创建用户界面、连接其他编程语言的程序等，主要应用于工程计算、控制设计等领域。
通过学习遗传算法原理，使用 MATLA编写程序，实现其求解策略。
三、实验内容通过MATLA编程，利用遗传算法求解：f (x) 200exp( 0.05x)sin(x), 求maxf (x)，x [-2,2] .三、实验要求1 、程序设计2、调试3、实验结果4、撰写实验报告实验二MATLAB申经网络工具箱的使用一、实验目的1、掌握MATLA语言命令2、提高MATLA程序设计能力3、学会使用MATLA申经网络工具箱二、实验原理MATLA语言是Math Works公司推出的一套高性能计算机编程语言，集数学计算、图形显示、语言设计于一体，其强大的扩展功能为用户提供了广阔的应用空间。
它附带有 30多个工具箱，申经网络工具箱就是其中之一。
利用该工具箱可以方便的构建申经网络的结构模型、设计、训练等，实现申经网络算法。
三、实验内容通过MATLA编程，利用神经网络工具箱预测公路运量：公路运量主要包括公路客运量和公路货运量两个方面。
据研究，某地区的公路运量主要与该地区的人数、机动车数量和公路面积有关，上表给出了该地区20年的公路运量相关数据。
根据有关部门数据，该地区2010和2011 年的人数分别为73.39 和75.55 万人，机动车数量分别为3.9635 和4.0975 万辆，公路面积分别为0.9880和1.0268万平方千米。
请利用BP网络预测该地区2010和2011 年的公路客运量和公路货运量。
某地区20年公路运量数据三、实验要求1、程序设计2、调试3、实验结果4、撰写实验报告运用遗传算法求解函数最大值：所有的子程序为M文件%子程序：计算适应度函数，函数名称存储为fitnessfu.m function[Fitvalue,sumsump]=fitnessfun(population); global BitLengthglobal boundsbeginIfCroIfMut.mglobal boundsendpopsize=size(population,1); for i=1:popsizex=transform2to10(population(i,:));xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1); Fitvalue(i)=targetfun(xx); endFitvalue(i)=Fitvalue'+230; fsum=sum(Fitvalue);Pperpopulation=Fitvalue/fsum; cumsump(1)=Pperpopulation(1); for i=2:popsizecumsump(i)=cumsumo(i-1)+Pperpopulation(i); endcumsump=cumsump';%子程序：新种群交叉操作，函数名称存储为crossover.mfunction scro=crossover(population,seln,pc) BitLength=size(population,2); pcc=IfCroIfMut(pc); if pcc==1chb=round(rand*(BitLength-2))+1;scro(1,:)=[population(seln(1),1:chb),population(seln(2),chb+1:BitLength)]; scro(2,:)=[population(seln(2),1:chb),population(seln(1),chb+1:BitLength)]; else scro(1,:)=population(seln(1),:); scro(2,:)=population(seln(2),:); end% 子程序：新种群变异操作，函数名称存储为 mutation.m function snnew=mutation(snew,pmutation); BitLength=size(snew,2); snnew=snew;pmm=IfCroIfMut(pmutation); if pmm==1chb=round(rand*(BitLlength-1))+1; end%子程序：判断遗传运算是否需要进行交叉或变异，函数名称存储为 function pcc=IfCroIfMut(mutORcro); test(1:100)=0;1=round(100*mutORcro); test(1:1)=1; n=round(rand*99)+1; pcc=test(n);%子程序：新种群选择操作，函数名称存储为selection.mfunction seln=selection(population,cumsump);for i=1:2r=rand;prand=cumsump-r;j=1;whlie prand(j)<0j=j+1;end seln(i)=j; end%子程序：将二进制数转换为十进制数，函数名称存储为transform2to10.mfunction x=transform2to10(Population);BitLength=size(Population,2); x=Population(BitLength); for i=1:BitLength-1 x=x+Population(BitLength-i)*power(2,i);end%子程序：对于优化最大值或者极大值函数问题，目标函数可以作为适应度函数，%函数名称存储为targetfun.m function y=targetfun(x); y=200*exp(-0.05*x).*sin(x);涯程序：用遗传算法求解y=200*exp (-0.05*x ) .*sin (x)在[-2 2]区间上的最大值clc;clear all;close all;global BitLengthglobal boundsbeginglobal boundsendbounds=[-2 2];precision=0.0001;boundsbegin=bounds(:,1); boundsend=bounds(:,2);BitLength=cell(log2((boundsend-boundsbegin)'./precision));popsize=50;Generationnmax=12; pcrossover=0.90;pmutation=0.09; population=round(rand(popsize,BitLength));[Fitvalue,cumsump]=fitnessfun(population);cumsump Generation=1;while Generation<Generationnmax+1for j=1:2:popsize seln=selection(population,cumsump);scro=crossover(popuoation,seln,pcrossover);scnew(j,:)=scro(1,:); scnew(j+1,:)=scro(2,:);smnew(j,:)=mutation(scnew(j,:),pmutation); smnew(j+1,:)=mutation(scnew(j+1,:),pmutation); endpopulation=smnew; [Fitvalue,cumsump]=fitnessfun(population);[fmax,nmax]=max(Fitvalue); fmean=mean(Fitvalue);ymax(Generation)=fmax; ymean(Generation)=fmean;x=transform2to10(population(nmax,:));xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1);xmax(Generation)=xx;Generation=Generation+1;endGeneration=Generation-1;Bestpopulation=xx;Besttargetfunvalue=targetfun(xx);figure(1); hand1=plot(1:Generation,ymax);set(hand1,'linestyle','-','linewidth',1.8,'marker','*','markersize',6) hold on;hand2=polt(1:Generation,ymean);set(hand2,'color','linestyle','linewidth',1.8,'marker','h','mrkersize',6) xlabel;ylabel; xlim([1 Generationnmax]);legend;box off; hold off附件二(参考程序)利用神经网络工具箱预测公路运量：为了了解利用BP网络求解问题的过程，把问题分为六个模块处理： 1.原始数据的输入；2.数据归一化；3.网络训练；4.对原始数据进行仿真； 5.将原始数据仿真的结果与已知样本进行对比； 6. 对新数据进行仿真。
matlab遗传算法ga工具箱调用gpu运算标题：利用Matlab遗传算法GA工具箱调用GPU运算随着科技的飞速发展，计算能力的需求也在不断提高。
特别是对于那些需要大量计算的任务，如机器学习、深度学习和大数据分析等，传统的CPU已经无法满足需求。
在这种情况下，GPU（图形处理器）作为一种并行处理的强大工具，受到了越来越多的关注。
本文将详细介绍如何在Matlab中使用遗传算法GA工具箱调用GPU进行运算。
首先，我们需要了解什么是遗传算法。
遗传算法是一种模拟自然选择和遗传机制的优化算法。
它通过模拟生物进化过程中的“适者生存”和“遗传变异”机制，在求解复杂问题时能够找到全局最优解或近似最优解。
Matlab GA工具箱是Matlab 提供的一个用于实现遗传算法的工具箱，其提供了丰富的函数和接口，使得用户可以方便地实现各种遗传算法。
然而，遗传算法通常需要处理大量的数据和复杂的运算，这使得其计算效率成为了一个关键问题。
为了解决这个问题，我们可以利用GPU强大的并行计算能力来加速遗传算法的运算。
Matlab GA工具箱支持调用GPU进行运算，只需要简单的设置即可实现。
在Matlab中，我们可以通过以下步骤来调用GPU进行运算：1. 首先，我们需要确认计算机是否安装了GPU以及CUDA驱动程序。
CUDA 是NVIDIA公司推出的一种编程模型，可以让开发者直接访问GPU的硬件资源。
只有安装了CUDA驱动程序，才能在Matlab中使用GPU进行运算。
2. 然后，我们需要在Matlab中设置工作区为GPU。
这可以通过以下命令实现：```matlabg = gpuDevice();set(g,'ExecutionMode','manual');```3. 接下来，我们需要将数据从CPU复制到GPU。
这可以通过以下命令实现：```matlabd_X = gpuArray(X);```其中，X是我们需要复制到GPU的数据。
matlab遗传算法ga工具箱调用gpu运算1. 引言1.1 背景介绍在传统的遗传算法中，遗传算法能够有效地解决一些复杂的优化问题。
随着问题规模的增大和复杂度的提高，传统的遗传算法在计算效率上显得有些力不从心。
为了提高遗传算法的计算速度和效率，研究者们开始探索将图形处理器（GPU）应用于遗传算法中，以加速计算过程。
GPU是一种高度并行化的处理器，适合处理大规模的并行计算任务。
相比于传统的中央处理器（CPU），GPU具有更多的处理单元和更快的计算速度。
通过利用GPU的并行计算能力，可以显著加速遗传算法的计算过程，从而提高算法的效率和性能。
在MATLAB中，有专门的遗传算法GA工具箱，可以方便地实现遗传算法。
结合GPU加速计算的技术，可以进一步提高遗传算法在复杂优化问题上的求解能力。
本文将介绍如何使用MATLAB遗传算法GA工具箱调用GPU进行计算，并通过实验设计和结果分析来验证其优化效果。
通过本文的研究，可以更好地了解遗传算法在GPU加速计算下的应用和优化效果，为未来的研究提供参考。
1.2 研究目的研究目的是为了探讨在遗传算法中利用GPU加速运算的优势和应用。
由于遗传算法是一种基于群体搜索的优化算法，通常需要进行大量的迭代计算以找到最优解。
而传统的CPU计算在处理大规模问题时往往效率较低，因此利用GPU进行并行计算能够显著提高算法的运行速度和效率。
通过调用MATLAB遗传算法GA工具箱，并结合GPU加速运算，可以加快算法的收敛速度，提高搜索效率，同时也能够处理更复杂的优化问题。
研究的目的是为了验证在实际应用中，利用GPU进行计算对遗传算法的性能和效果的提升程度，并进一步分析其在不同类型问题上的适用性和优势。
通过本研究的实验设计与结果分析，可以对比传统CPU计算和GPU加速计算的效果差异，评价加速计算技术在遗传算法中的实际应用效果，为进一步优化遗传算法的设计和改进提供参考依据。
2. 正文2.1 GPU加速在遗传算法中的应用遗传算法是一种通过模拟自然选择与遗传机制来搜索最优解的优化算法，然而遗传算法在处理复杂问题时往往需要大量的计算资源来进行演化计算，而传统的CPU计算速度往往难以满足需求。
matlab遗传算法ga工具箱调用gpu运算全文共四篇示例，供读者参考第一篇示例：Matlab是一个强大的科学计算工具，而遗传算法（Genetic Algorithm，GA）被广泛应用于优化问题的求解。
在大规模优化问题中，GA的求解速度往往是一个瓶颈，为了加速GA的求解过程，可以利用GPU进行并行计算。
在Matlab中，可以通过GPU进行加速的工具箱，称为Parallel Computing Toolbox。
本文将介绍如何利用Matlab的Parallel Computing Toolbox和GA工具箱结合起来，实现GPU加速GA的求解过程。
我们需要在Matlab中安装Parallel Computing Toolbox和GA 工具箱。
在安装完成后，就可以开始编写适用于GPU加速的GA程序了。
在编写程序时，需要注意以下几点：1. 设定GA参数：一般来说，可以设置GA的种群大小、迭代次数、交叉概率、变异概率等参数。
这些参数的设定将直接影响到GA的求解效果和速度。
2. 定义适应度函数：在GA中，适应度函数决定了个体的适应程度，从而影响被选择的几率。
在编写适用于GPU加速的适应度函数时，要注意将计算过程向量化，以便GPU并行计算。
3. 设置GPU运算环境：在Matlab中，可以通过parallel.gpu.GPUDevice函数获取当前可用的GPU设备列表，并选择一个合适的设备进行计算。
在进行GPU计算时，需要将待处理的数据转换为GPU数组，以便GPU并行计算。
4. 调用GA函数并启用GPU加速：在进行GA求解过程中，可以通过设置options参数启用GPU加速。
在调用GA函数时，可以通过设定eParallel参数为true，来启用GPU加速。
下面，我们来看一个简单的例子，演示如何利用Parallel Computing Toolbox和GA工具箱结合GPU加速GA的求解过程。
假设我们要求解一个简单的函数f(x) = x^2 + 5，在区间[-10, 10]内的最小值。
简单的遗传算法可以使用Matlab自带的遗传算法工具箱，但是要从Matlab2010版本之后才会自带这个工具箱，且调用命令也有变化，分别是gatool和optimtool。
GUI界面如下图所示：1、problem setup and results设置与结果（1）Solver:求解程序，选择要用的求解程序（遗传算法,遗传算法多目标等)(2）problem：1）fitness function适应度函数，求最小,这里的使用度函数要自己编写，书写格式是“@函数名”。
2）number of variable变量数，必须是整数,即，使用这个GUI界面的适应度函数的变量必须是[1*n］的向量，而不能是［m*n］的矩阵。
3）constraints约束4）linear inequalities线性不等式，A*x〈=b形式，其中A是矩阵,b是向量5）linear equalities线性等式，A＊x=b形式,其中A是矩阵，b是向量6）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7）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8）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举例，若是想让第一个、第三个、第五个变量保持是整数的话，则直接在此处填写[1 3 5］9）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2、population（1)population type编码类型1）double vector实数编码，采用双精度。
整数规划的种群类型必须是实数编码。
第八章使用MATLAB遗传算法工具最新发布的MATLAB Release 14已经包含了一个专门设计的遗传算法与直接搜索工具箱（Genetic Algorithm and Direct Search Toolbox，GADS）。
使用遗传算法与直接搜索工具箱，可以扩展MATLAB及其优化工具箱在处理优化问题方面的能力，可以处理传统的优化技术难以解决的问题，包括那些难以定义或不便于数学建模的问题，可以解决目标函数较复杂的问题，比如目标函数不连续、或具有高度非线性、随机性以及目标函数没有导数的情况。
本章节首先介绍这个遗传算法与直接搜索工具箱，其余各节分别介绍该工具箱中的遗传算法工具及其使用方法。
遗传算法与直接搜索工具箱概述本节介绍MATLAB的GADS（遗传算法与直接搜索）工具箱的特点、图形用户界面及运行要求，解释如何编写待优化函数的M文件，且通过举例加以阐明。
8.1.1 工具箱的特点GADS工具箱是一系列函数的集合，它们扩展了优化工具箱和MATLAB数值计算环境的性能。
遗传算法与直接搜索工具箱包含了要使用遗传算法和直接搜索算法来求解优化问题的一些例程。
这些算法使我们能够求解那些标准优化工具箱范围之外的各种优化问题。
所有工具箱函数都是MATLAB的M文件，这些文件由实现特定优化算法的MATLAB语句所写成。
使用语句type function_name就可以看到这些函数的MATLAB代码。
我们也可以通过编写自己的M文件来实现来扩展遗传算法和直接搜索工具箱的性能，也可以将该工具箱与MATLAB的其他工具箱或Simulink结合使用，来求解优化问题。
工具箱函数可以通过图形界面或MATLAB命令行来访问，它们是用MATLAB语言编写的，对用户开放，因此可以查看算法、修改源代码或生成用户函数。
遗传算法与直接搜索工具箱可以帮助我们求解那些不易用传统方法解决的问题，譬如表查找问题等。
遗传算法与直接搜索工具箱有一个精心设计的图形用户界面，可以帮助我们直观、方便、快速地求解最优化问题。
