遗传算法matlab仿真实例

% Optimizing a function  using Simple Genetic Algorithm with elitist preserved


%Max f(x1,x2)=100*(x1*x1-x2).^2+(1-x1).^2; -2.0480<=x1,x2<=2.0480


% Author: Wang Yonglin ([e-mail])


clc;clear all;


format long;%设定数据显示格式


%初始化参数


T=100;%仿真代数


N=80;% 群体规模


pm=0.05;pc=0.8;%交叉变异概率


umax=2.048;umin=-2.048;%参数取值范围


L=10;%单个参数字串长度，总编码长度2L


bval=round(rand(N,2*L));%初始种群


bestv=-inf;%最优适应度初值


%迭代开始


for ii=1:T


%解码，计算适应度


for i=1:N


        y1=0;y2=0;


        for j=1:1:L


           y1=y1+bval(i,L-j+1)*2^(j-1);


        end


        x1=(umax-umin)*y1/(2^L-1)+umin;


        for j=1:1:L


           y2=y2+bval(i,2*L-j+1)*2^(j-1);


        end


        x2=(umax-umin)*y2/(2^L-1)+umin;


        obj(i)=100*(x1*x1-x2).^2+(1-x1).^2; %目标函数


        xx(i,:)=[x1,x2];


    end


func=obj;%目标函数转换为适应度函数


p=func./sum(func);


q=cumsum(p);%累加


[fmax,indmax]=max(func);%求当代最佳个体


   if fmax>=bestv


      bestv=fmax;%到目前为止最优适应度值


      bvalxx=bval(indmax,:);%到目前为止最佳位串


      optxx=xx(indmax,:);%到目前为止最优参数


   end  


   Bfit1(ii)=bestv; % 存储每代的最优适应度


%%%%遗传操作开始


%轮盘赌选择


 for i=1:(N-1)


    r=rand;


    tmp=find(r<=q);


    newbval(i,:)=bval(tmp(1),:);


 end


  newbval(N,:)=bvalxx;%最优保留


  bval=newbval;


%单点交叉


for i=1:2:(N-1)


   cc=rand;


   if cc<pc


       point=ceil(rand*(2*L-1));%取得一个1到2L-1的整数


       ch=bval(i,:);


       bval(i,point+1:2*L)=bval(i+1,point+1:2*L);


       bval(i+1,point+1:2*L)=ch(1,point+1:2*L);


    end


end  


bval(N,:)=bvalxx;%最优保留


%位点变异


mm=rand(N,2*L)<pm;%N行


mm(N,:)=zeros(1,2*L);%最后一行不变异，强制赋0


bval(mm)=1-bval(mm);


end


%输出


plot(Bfit1);% 绘制最优适应度进化曲线


bestv   %输出最优适应度值


optxx    %输出最优参数