遺傳演算法ga工具箱如何安裝

『壹』 如何調用MATLAB遺傳演算法工具箱

1、打開MATLAB軟體。

『貳』 MATLAB的遺傳演算法工具箱GA是怎麼用的

把這些文件裝載工具箱的文件夾路徑下，在把MATLAB讀的路徑設置在那裡，直接輸入文件名和需要輸入的內容就行了。

『叄』 怎樣才能知道已經成功安裝了遺傳演算法的工具箱呢

我的工具箱是在咱們的論壇裡面下的.......

『肆』 遺傳演算法工具箱裝在什麼位置

裝在什麼位置我沒找
我只說下怎麼在MATLAB界面中調出GA工具箱來
看見MATLAB界面左下角的那個'START'按鈕了吧,點擊它版,
依次選->Toolboxes->Genetic Algorithm and Direct Search->Genetic Algorithm Tool.
好多其它的工權具箱在這里也能找到的

『伍』 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

『陸』 請教怎麼在matlab上安裝遺傳演算法工具箱啊，為什麼我安不上啊

安裝步驟

1.將GAOT工具箱文件拷貝至Matlab文件夾下，具體路徑為：
C:\program files\MATLAB\R2009a\toolbox。（也可以放在其他路徑，不一定放在toolbox裡面，比如C:\program files\MATLAB\R2009a也行）。

2.將GAOT工具箱路徑加入Matlab文件路徑之中。流程為：File-->Set Path-->Add with Subfolders。即，將C:\program files\MATLAB\R2009a\toolbox\gaot文件夾加入該路徑系統中。

3. 重新啟動Matlab，運行。

4. 但是在重新啟動後，你會發現在命令窗口，會出現如下警告。即安裝遺傳工具箱後出現問題：Warning: Name is nonexistent or not a directory: \afs\eos\info\ie\ie589k_info\GAOT
解決方案：打開gaot文件夾下的startup.m，這裡面寫著「path(path,'\afs\eos\info\ie\ie589k_info\GAOT');」只要將「\afs\eos\info\ie\ie589k_info\GAOT」改為goat當前所在的目錄，即「C:\program files\MATLAB\R2009a\toolbox\gaot」就可以了

5.測試是否安裝成功，方法如下：在命令窗口輸入：edit ga出現如下函數：function [x,fval,exitFlag,output,population,scores] = ga(fun,nvars,Aineq,bineq,Aeq,beq,lb,ub,nonlcon,options)此時你會發現這是MATLAB自帶的ga函數，並不是你想要的工具箱中的ga函數，這樣會在以後應用工具箱編寫程序是發生錯誤。

6. 解決上述問題的方法：為了統一，不管你是高版本還是低版本，都可以通過將GAOT工具箱中的ga重命名為gaot_ga(名字可以隨你定，但是不能改為大寫GA，原因是MATLAB會默認大小寫函數是同一個函數，不信你可以用edit ga和edit GA驗證)，來實現解決上述問題。
這樣整個的GAOT工具箱安裝完備。

『柒』 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])

『捌』 matlab遺傳演算法工具箱安裝問題

直接在命令窗口裡邊輸入gatool就行了，用遺傳演算法還可以使用ga函數，具體使用格式可回以在help系統里看ga，你還可以按照答如下步驟打開遺傳演算法工具箱：1，打開matlab，2點擊左下方的start按鈕
3，點toolboxes，打開後選擇genetic
algorithm
and
direct
search
然後就可以進入gatool了，然後就會彈出ga工具箱（註：我的版本是7.7的，不同版本可能不同）

『玖』 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。