遺傳演算法工具箱教程

㈠ 求雷英傑《Matlab遺傳演算法工具箱及應用》高清版.pdf

MATLAB遺傳抄演算法工具箱及應用.pdf 文件大小:9.58 M
http://vdisk.weibo.com/s/v5Um8CGqbhhd
MATLAB遺傳演算法工具箱及應用.pdf 文件大小:9.57 M
http://vdisk.weibo.com/s/uaKaXz7OfNCIm

資源已上傳網路雲盤或微盤 提問者下載無需財富值
請及時採納，謝謝

㈡ 怎麼使用matlab遺傳演算法工具箱GUI

恩
有的
你只要在matlab的command中輸入gatool就會出現遺傳工具箱的gui界面所有通過版命令行權實現的options都可以通過這個界面設置，很方便也很傻瓜，挺好用的如果需要，還可以使用菜單中的file將gui文件保存為m代碼，這樣就不需要自己寫程序，卻得到了m代碼

㈢ 請教一下，用遺傳演算法工具箱怎麼求下面函數的最小值

題主給出函數用遺傳演算法工具箱求其最小值，可以這樣來做：

1、自定義函數，並保存專為leijia.m文件。

2、在當前屬目錄下，執行 optimtool，打開最優化工具箱，再選擇遺傳演算法工具箱

3、按表中格式，輸入相關內容，最後執行可以得到

㈣ 遺傳演算法工具箱中怎麼畫出遺傳代數與優化變數的關系圖

我沒用來過MatLab的遺傳演算法工源具箱，我是自己用C語言實現的遺傳演算法。想要直觀地觀察遺傳代數與優化變數的關系，有兩種常用辦法：一種是直接把N個優化變數+遺傳代數做一個（N+1）維的坐標系，把每代的各優化變數取值添加進坐標系中，生成MatLab或其它看圖工具能識別的數據文件進行觀看；二種辦法是每代求出各優化變數取值的均方差，以均方差和遺傳代數建立一個二維坐標系，如前所述生成數據文件進行觀看。我一般採用的是第二種方法，並且，在遺傳演算法內部，我也是用這種辦法來判斷種群進化情況的，很有效。

㈤ 求matlab遺傳演算法工具箱GA Toolbox。。並求解釋如下

GA自己寫一個就好了，也挺簡單的。
雖然很多函數都能知道表達式，但是仍然版有很多函數不能用倒權數來求解，所以要知道空間的極值和最值就必須用遍歷的方法。然而對於實數范圍內或者大規模數據的離散數據情況下，遍歷畫圖的方法會耗費很大的計算復雜度，因為你並不知道是在參數范圍的邊緣還是中間有最值，有多少個最值也不知道。GA就提供了一種基於種群的搜索優化方法，可以快速的收斂到優秀的解的個體，但是要防止陷入局部最優。
簡而言之就是遍歷的搜索方法要用時10小時完成的事情，GA快速優化可能1分鍾或者10分鍾搞定，佔用內存也少。

㈥ 如何調用MATLAB遺傳演算法工具箱

1、打開MATLAB軟體。

㈦ matlab 遺傳演算法工具箱怎麼用

推薦用shefiled的GA工具箱，裡面的子函數寫的很好，調用很方便。 配合一本gA的書內 學的很快；
另外 關於你這容個問題， 你的目標函數和約束函數是否在工作目錄下，還有 在調用的時候 在函數名前面加@試試， 希望能幫到你

㈧ 遺傳演算法工具箱如何安裝

你的系統文件和程序的一些文件不匹配所造成的

㈨ 用遺傳演算法工具箱怎麼求解線性約束函數

Matlab遺傳演算法工具箱是可以施加的非線性隱性約束條件的。例如：
min z= 3050*x1³+0.25*x2;
其中x1定義域[-0.381,0.381]，x2定義域[-100,100]
求目標函數值為10時的x1、x2值。
求解結果
x1=0.14169943480903302 x2=5.289387991237991
function [c,ceq]=ga_con(x) %非線性約束條件函數
c=10-(3050*x(1)^3+0.25*x(2));
ceq=[];

㈩ 遺傳演算法工具箱的具體使用

matlab遺傳演算法工具箱函數及實例講解 核心函數：
(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始種群的生成函數
【輸出參數】
pop--生成的初始種群
【輸入參數】
num--種群中的個體數目
bounds--代表變數的上下界的矩陣
eevalFN--適應度函數
eevalOps--傳遞給適應度函數的參數
options--選擇編碼形式(浮點編碼或是二進制編碼)[precision F_or_B],如
precision--變數進行二進制編碼時指定的精度
F_or_B--為1時選擇浮點編碼，否則為二進制編碼,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)--遺傳演算法函數
【輸出參數】
x--求得的最優解
endPop--最終得到的種群
bPop--最優種群的一個搜索軌跡
【輸入參數】
bounds--代表變數上下界的矩陣
evalFN--適應度函數
evalOps--傳遞給適應度函數的參數
startPop-初始種群
opts[epsilon prob_ops display]--opts(1:2)等同於initializega的options參數，第三個參數控制是否輸出，一般為0。如[1e-6 1 0]
termFN--終止函數的名稱,如['maxGenTerm']
termOps--傳遞個終止函數的參數,如[100]
selectFN--選擇函數的名稱,如['normGeomSelect']
selectOps--傳遞個選擇函數的參數,如[0.08]
xOverFNs--交叉函數名稱表，以空格分開，如['arithXover heuristicXover simpleXover']
xOverOps--傳遞給交叉函數的參數表，如[2 0;2 3;2 0]
mutFNs--變異函數表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']
mutOps--傳遞給交叉函數的參數表,如[4 0 0;6 100 3;4 100 3;4 0 0]
【問題】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08
【程序清單】
%編寫目標函數
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函數存儲為fitness.m文件並放在工作目錄下
initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為10
[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...
[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遺傳迭代
運算借過為：x =
7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553)
註：遺傳演算法一般用來取得近似最優解，而不是最優解。
遺傳演算法實例2
【問題】在－5<=Xi<=5,i=1,2區間內，求解
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。
【分析】種群大小10，最大代數1000，變異率0.1,交叉率0.3
【程序清單】
％源函數的matlab代碼
function [eval]=f(sol)
numv=size(sol,2);
x=sol(1:numv);
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282;
%適應度函數的matlab代碼
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遺傳演算法的matlab代碼
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
註：前兩個文件存儲為m文件並放在工作目錄下，運行結果為
p =
0.0000 -0.0000 0.0055
大家可以直接繪出f(x)的圖形來大概看看f（x）的最值是多少，也可是使用優化函數來驗證。matlab命令行執行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])