求遗传算法的matlab程序

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])

function u1=select(u)

%u是输入，u1是输出

%选择函数

%从i等于1到10计算适应度函数赋值给y

for i=1:10

y(i)=syd(u(i,:))

end

%求y的和

F=sum(y)

%并将适应度函数赋值除以他的和

P=y/F

s=0

%Q为累计概率

for i=1:10

s=s+P(i)

Q(i)=s

end

%找到y中的最大值的值m和位置I

[m,I]=max(y)

取输入的u总I的解赋值给u1中第9个解的位置

u1(9,:)=u(I,:)

取输入的u总I的解赋值给u1中第10个解的位置

u1(10,:)=u(I,:)

%得到一个8行1列的随机数（0-1之间）

r=rand(8,1)

%对应i等于1到8

for i=1:8

%如果r的第i个随机数小于Q的第一个值

if r(i)<Q(1)

%u的第一个解赋值给u1的第i个解

u1(i,:)=u(1,:)

%否则如果r的第i个随机数大于Q的第一个值，并且r的第i个随机数大于Q的第二个值

elseif r(i)>=Q(1)&r(i)<Q(2)

%u的第二个解赋值给u1的第i个解

u1(i,:)=u(2,:)

elseif r(i)>=Q(2)&r(i)<Q(3)

u1(i,:)=u(3,:)

elseif r(i)>=Q(3)&r(i)<Q(4)

u1(i,:)=u(4,:)

elseif r(i)>=Q(4)&r(i)<Q(5)

u1(i,:)=u(5,:)

elseif r(i)>=Q(5)&r(i)<Q(6)

u1(i,:)=u(6,:)

elseif r(i)>=Q(6)&r(i)<Q(7)

u1(i,:)=u(7,:)

elseif r(i)>=Q(7)&r(i)<Q(8)

u1(i,:)=u(8,:)

elseif r(i)>=Q(8)&r(i)<Q(9)

u1(i,:)=u(9,:)

else

u1(i,:)=u(10,:)

end

end

---