基于Matlab遗传算法求解函数优化问题源码+代码注释+项目说明.zip

% @file （Simple_GeneticOptimization.m） % @brief （通过遗传优化算法求解f(x)=x*sin(10pi*x)+1的最大值，x属于[-1,2]） % @version 1.0 % @author （RyanZzzq） % @date （2023.7.6） %% 预处理 clc clear close all %% 定义适应度函数 fitnessFunction = 'x .* sin(x .* 10 * pi) + 1'; %@(x) x.*sin(10*pi*x) + 1; x_min = -1; x_max = 2; %自变量取值区间 %初始化参数 populationSize = 100; %种群大小 chromLength = 10; %编码长度 crossoverProbability = 0.8; %交叉概率 mutationProbability = 0.05; %变异概率 maxGenerations = 400; %最大迭代次数 %初始化种群 Pop = zeros(populationSize,chromLength); %N个个体，每个个体的编码长度为L，由01构成 Pop = round(rand([populationSize,chromLength])); %% 迭代 %迭代初始化 fit_mean = [];%平均适应度 fit_opt = [];%最优适应度 iter = 1;%迭代计数器 %开始进化 for iter = 1:maxGenerations x = bin2dec(Pop(:,1:chromLength),x_min,x_max); fit = eval(fitnessFunction); % 选择 P_new = selection(Pop,fit); % 交叉 P_new = crossover(P_new,crossoverProbability); % 变异 P_new = mutation(P_new,mutationProbability); %更新种群 Pop = P_new; %计算新种群的适应度 x = bin2dec(Pop(:,1:chromLength),x_min,x_max); fit = eval(fitnessFunction); [opt,loc] = max(fit);%记录最优适应度和最优个体 fit_mean(iter) = mean(fit); %记录适应度均值 fit_opt(iter) = opt; %记录最佳适应度 %% 画图部分 % 初始选取的基因位置 if iter == 1 pause(1) figure(1) cla fplot(fitnessFunction,[x_min,x_max]); hold on plot(x,fit,'r*') title(['迭代次数iter=',num2str(iter)]) end %基因位置变化记录 if mod(iter,50) == 0 pause(1) figure(1) cla fplot(fitnessFunction,[x_min,x_max]); hold on plot(x,fit,'r*') title(['迭代次数iter=',num2str(iter)]) end iter = iter + 1; end % 输出最终结果，即f的最大值 fprintf('The Best X -->%5.6f\n',x(loc)); fprintf('The Best Y -->%5.6f\n',opt);