遗传算法的优缺点？

优点：

1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行 *** 作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传 *** 作算子的运用。

另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习、数据挖掘等领域。

2、遗传算法直接以目标函数值作为搜索信息。它仅仅使用适应度函数值来度量个体的优良程度，不涉及目标函数值求导求微分的过程。因为在现实中很多目标函数是很难求导的，甚至是不存在导数的，所以这一点也使得遗传算法显示出高度的优越性。

3、遗传算法具有群体搜索的特性。它的搜索过程是从一个具有多个个体的初始群体P(0)开始的，一方面可以有效地避免搜索一些不必搜索的点。

另一方面由于传统的单点搜索方法在对多峰分布的搜索空间进行搜索时很容易陷入局部某个单峰的极值点，而遗传算法的群体搜索特性却可以避免这样的问题，因而可以体现出遗传算法的并行化和较好的全局搜索性。

4、遗传算法基于概率规则，而不是确定性规则。这使得搜索更为灵活，参数对其搜索效果的影响也尽可能的小。

5、遗传算法具有可扩展性，易于与其他技术混合使用。以上几点便是遗传算法作为优化算法所具备的优点。

缺点：

1、遗传算法在进行编码时容易出现不规范不准确的问题。

2、由于单一的遗传算法编码不能全面将优化问题的约束表示出来，因此需要考虑对不可行解采用阈值，进而增加了工作量和求解时间。

3、遗传算法效率通常低于其他传统的优化方法。

4、遗传算法容易出现过早收敛的问题。

扩展资料

遗传算法的机理相对复杂，在Matlab中已经由封装好的工具箱命令，通过调用就能够十分方便的使用遗传算法。

函数ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最优解，fval是最优值，@fitnessness是目标函数，nvars是自变量个数，options是其他属性设置。系统默认求最小值，所以在求最大值时应在写函数文档时加负号。

为了设置options，需要用到下面这个函数：options= gaoptimset ('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通过这个函数就能够实现对部分遗传算法的参数的设置。

参考资料来源：百度百科-遗传算法

function

my_ga()

options=gaoptimset

%设置变量范围

options=gaoptimset(options,'PopInitRange',[09])

%设置种群大小

options=gaoptimset(options,'PopulationSize',100)

%设置迭代次数

options=gaoptimset(options,'Generations',100)

%选择选择函数

options=gaoptimset(options,'SelectionFcn',@selectionroulette)

%选择交叉函数

options=gaoptimset(options,'CrossoverFcn',@crossoverarithmetic)

%选择变异函数

options=gaoptimset(options,'MutationFcn',@mutationuniform)

%设置绘图:解的变化、种群平均值的变化

options=gaoptimset(options,'PlotFcns',{@gaplotbestf})

%执行遗传算法，fitness.m是函数文件

[x,fval]=ga(@fitness,1,options)

遗传算法我懂，我的论文就是用着这个算法，具体到你要遗传算法是做什么？优化什么的。。。我给你一个标准遗传算法程序供你参考：

该程序是遗传算法优化BP神经网络函数极值寻优：

%% 该代码为基于神经网络遗传算法的系统极值寻优

%% 清空环境变量

clc

clear

%% 初始化遗传算法参数

%初始化参数

maxgen=100%进化代数，即迭代次数

sizepop=20 %种群规模

pcross=[0.4] %交叉概率选择，0和1之间

pmutation=[0.2] %变异概率选择，0和1之间

lenchrom=[1 1] %每个变量的字串长度，如果是浮点变量，则长度都为1

bound=[-5 5-5 5] %数据范围

individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]) %将种群信息定义为一个结构体

avgfitness=[] %每一代种群的平均适应度

bestfitness=[]%每一代种群的最佳适应度

bestchrom=[] %适应度最好的染色体

%% 初始化种群计算适应度值

% 初始化种群

for i=1:sizepop

%随机产生一个种群

individuals.chrom(i,:)=Code(lenchrom,bound)

x=individuals.chrom(i,:)

%计算适应度

individuals.fitness(i)=fun(x) %染色体的适应度

end

%找最好的染色体

[bestfitness bestindex]=min(individuals.fitness)

bestchrom=individuals.chrom(bestindex,:) %最好的染色体

avgfitness=sum(individuals.fitness)/sizepop%染色体的平均适应度

% 记录每一代进化中最好的适应度和平均适应度

trace=[avgfitness bestfitness]

%% 迭代寻优

% 进化开始

for i=1:maxgen

i

% 选择

individuals=Select(individuals,sizepop)

avgfitness=sum(individuals.fitness)/sizepop

%交叉

individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound)

% 变异

individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound)

% 计算适应度

for j=1:sizepop

x=individuals.chrom(j,:)%解码

individuals.fitness(j)=fun(x)

end

%找到最小和最大适应度的染色体及它们在种群中的位置

[newbestfitness,newbestindex]=min(individuals.fitness)

[worestfitness,worestindex]=max(individuals.fitness)

% 代替上一次进化中最好的染色体

if bestfitness>newbestfitness

bestfitness=newbestfitness

bestchrom=individuals.chrom(newbestindex,:)

end

individuals.chrom(worestindex,:)=bestchrom

individuals.fitness(worestindex)=bestfitness

avgfitness=sum(individuals.fitness)/sizepop

trace=[traceavgfitness bestfitness]%记录每一代进化中最好的适应度和平均适应度

end

%进化结束

%% 结果分析

[r c]=size(trace)

plot([1:r]',trace(:,2),'r-')

title('适应度曲线','fontsize',12)

xlabel('进化代数','fontsize',12)ylabel('适应度','fontsize',12)

axis([0,100,0,1])

disp('适应度 变量')

x=bestchrom

% 窗口显示

disp([bestfitness x])

---