遗传算法ga工具箱如何安装

『壹』 如何调用MATLAB遗传算法工具箱

1、打开MATLAB软件。

『贰』 MATLAB的遗传算法工具箱GA是怎么用的

把这些文件装载工具箱的文件夹路径下，在把MATLAB读的路径设置在那里，直接输入文件名和需要输入的内容就行了。

『叁』 怎样才能知道已经成功安装了遗传算法的工具箱呢

我的工具箱是在咱们的论坛里面下的.......

『肆』 遗传算法工具箱装在什么位置

装在什么位置我没找
我只说下怎么在MATLAB界面中调出GA工具箱来
看见MATLAB界面左下角的那个'START'按钮了吧,点击它版,
依次选->Toolboxes->Genetic Algorithm and Direct Search->Genetic Algorithm Tool.
好多其它的工权具箱在这里也能找到的

『伍』 遗传算法工具箱如何安装

你的系统文件和程序的一些文件不匹配所造成的

『陆』 请教怎么在matlab上安装遗传算法工具箱啊，为什么我安不上啊

安装步骤

1.将GAOT工具箱文件拷贝至Matlab文件夹下，具体路径为：
C:\program files\MATLAB\R2009a\toolbox。（也可以放在其他路径，不一定放在toolbox里面，比如C:\program files\MATLAB\R2009a也行）。

2.将GAOT工具箱路径加入Matlab文件路径之中。流程为：File-->Set Path-->Add with Subfolders。即，将C:\program files\MATLAB\R2009a\toolbox\gaot文件夹加入该路径系统中。

3. 重新启动Matlab，运行。

4. 但是在重新启动后，你会发现在命令窗口，会出现如下警告。即安装遗传工具箱后出现问题：Warning: Name is nonexistent or not a directory: \afs\eos\info\ie\ie589k_info\GAOT
解决方案：打开gaot文件夹下的startup.m，这里面写着“path(path,'\afs\eos\info\ie\ie589k_info\GAOT');”只要将“\afs\eos\info\ie\ie589k_info\GAOT”改为goat当前所在的目录，即“C:\program files\MATLAB\R2009a\toolbox\gaot”就可以了

5.测试是否安装成功，方法如下：在命令窗口输入：edit ga出现如下函数：function [x,fval,exitFlag,output,population,scores] = ga(fun,nvars,Aineq,bineq,Aeq,beq,lb,ub,nonlcon,options)此时你会发现这是MATLAB自带的ga函数，并不是你想要的工具箱中的ga函数，这样会在以后应用工具箱编写程序是发生错误。

6. 解决上述问题的方法：为了统一，不管你是高版本还是低版本，都可以通过将GAOT工具箱中的ga重命名为gaot_ga(名字可以随你定，但是不能改为大写GA，原因是MATLAB会默认大小写函数是同一个函数，不信你可以用edit ga和edit GA验证)，来实现解决上述问题。
这样整个的GAOT工具箱安装完备。

『柒』 遗传算法工具箱的具体使用

matlab遗传算法工具箱函数及实例讲解 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】
bounds--代表变量上下界的矩阵
evalFN--适应度函数
evalOps--传递给适应度函数的参数
startPop-初始种群
opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如[1e-6 1 0]
termFN--终止函数的名称,如['maxGenTerm']
termOps--传递个终止函数的参数,如[100]
selectFN--选择函数的名称,如['normGeomSelect']
selectOps--传递个选择函数的参数,如[0.08]
xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover']
xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0]
mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']
mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]
【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08
【程序清单】
%编写目标函数
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函数存储为fitness.m文件并放在工作目录下
initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为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次遗传迭代
运算借过为：x =
7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)
注：遗传算法一般用来取得近似最优解，而不是最优解。
遗传算法实例2
【问题】在－5<=Xi<=5,i=1,2区间内，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】种群大小10，最大代数1000，变异率0.1,交叉率0.3
【程序清单】
％源函数的matlab代码
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;
%适应度函数的matlab代码
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遗传算法的matlab代码
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')
注：前两个文件存储为m文件并放在工作目录下，运行结果为
p =
0.0000 -0.0000 0.0055
大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])

『捌』 matlab遗传算法工具箱安装问题

直接在命令窗口里边输入gatool就行了，用遗传算法还可以使用ga函数，具体使用格式可回以在help系统里看ga，你还可以按照答如下步骤打开遗传算法工具箱：1，打开matlab，2点击左下方的start按钮
3，点toolboxes，打开后选择genetic
algorithm
and
direct
search
然后就可以进入gatool了，然后就会弹出ga工具箱（注：我的版本是7.7的，不同版本可能不同）

『玖』 求matlab遗传算法工具箱GA Toolbox。。并求解释如下

GA自己写一个就好了，也挺简单的。
虽然很多函数都能知道表达式，但是仍然版有很多函数不能用倒权数来求解，所以要知道空间的极值和最值就必须用遍历的方法。然而对于实数范围内或者大规模数据的离散数据情况下，遍历画图的方法会耗费很大的计算复杂度，因为你并不知道是在参数范围的边缘还是中间有最值，有多少个最值也不知道。GA就提供了一种基于种群的搜索优化方法，可以快速的收敛到优秀的解的个体，但是要防止陷入局部最优。
简而言之就是遍历的搜索方法要用时10小时完成的事情，GA快速优化可能1分钟或者10分钟搞定，占用内存也少。