我需要一个基于免疫遗传算法的matlab程序，关于函数寻优的，最好在附有讲解

% 主程序

%遗传算法主程序

%Name:genmain.m

%author：杨幂

clear

clf

%%初始化

popsize=50%群体大小

chromlength=30%字符串长度（个体长度）

pc=0.6%交叉概率

pm=0.1%变异概率

pop=initpop(popsize,chromlength)%随机产生初始群体

%%开始迭代

for i=1:20 %20为迭代次数

[objvalue]=calobjvalue(pop)%计算目标函数

fitvalue=calfitvalue(objvalue)%计算群体中每个个体的适应度

[newpop]=selection(pop,fitvalue)%复制

[newpop]=crossover(pop,pc)%交叉

[newpop]=mutation(pop,pm)%变异

[bestindividual,bestfit]=best(pop,fitvalue)%求出群体中适应值最大的个体及其适应值

y(i)=max(bestfit)%储存最优个体适应值

n(i)=i

pop5=bestindividual%储存最优个体

%解码

x1(i)=decodechrom(pop5,1,chromlength/2)*2/32767

x2(i)=10+decodechrom(pop5,chromlength/2+1,chromlength/2)*10/32767

pop=newpop%将新产生的种群作为当前种群

end

%%绘图

figure(1)%最优点变化趋势图

i=1:20

plot(y(i),'-r*')

xlabel('迭代次数')

ylabel('最优个体适应值')

title('最优点变化趋势')

legend('最优点')

grid on

figure(2)%最优点分布图

[X1,X2]=meshgrid(0:0.1:2,10:0.1:20)

Z=X1.^2+X2.^2

mesh(X1,X2,Z)

xlabel('自变量x1'),ylabel('自变量x2'),zlabel('函数值f(x1,x2)')

hold on

plot3(x1,x2,y,'ro','MarkerEdgeColor','r','MarkerFaceColor','r','MarkerSize',5)

title('最优点分布')

legend('最优点')

hold off

[z index]=max(y)%计算最大值及其位置

x5=[x1(index),x2(index)]%计算最大值对应的x值

z

遗传算法是一种智能计算方法，针对不同的实际问题可以设计不同的计算程序。它主要有复制，交叉，变异三部分完成，是仿照生物进化过程来进行计算方法的设计。 模糊数学是研究现实生活中一类模糊现象的数学。简单地说就是像好与坏怎样精确的描述，将好精确化，用数字来表达。 神经网络是一种仿生计算方法，仿照生物体中信息的传递过程来进行数学计算。 这三种知识都是近40年兴起的新兴学科，主要应用在智能模糊控制上面。这三者可以结合起来应用。如用模糊数学些遗传算法的程序，优化神经网络，最后用神经网络控制飞行器或其他物体

把下面的（1）-（7）依次存成相应的.m文件，在（7）的m文件下运行就可以了

（1） 适应度函数fit.m

function fitness=fit(len,m,maxlen,minlen)

fitness=len

for i=1:length(len)

fitness(i,1)=(1-(len(i,1)-minlen)/(maxlen-minlen+0.0001)).^m

end

(2)个体距离计算函数 mylength.m

function len=myLength(D,p)

[N,NN]=size(D)

len=D(p(1,N),p(1,1))

for i=1:(N-1)

len=len+D(p(1,i),p(1,i+1))

end

end

(3)交叉 *** 作函数 cross.m

function [A,B]=cross(A,B)

L=length(A)

if L<10

W=L

elseif ((L/10)-floor(L/10))>=rand&&L>10

W=ceil(L/10)+8

else

W=floor(L/10)+8

end

p=unidrnd(L-W+1)

fprintf('p=%d ',p)

for i=1:W

x=find(A==B(1,p+i-1))

y=find(B==A(1,p+i-1))

[A(1,p+i-1),B(1,p+i-1)]=exchange(A(1,p+i-1),B(1,p+i-1))

[A(1,x),B(1,y)]=exchange(A(1,x),B(1,y))

end

end

(4)对调函数 exchange.m

function [x,y]=exchange(x,y)

temp=x

x=y

y=temp

end

(5)变异函数 Mutation.m

function a=Mutation(A)

index1=0index2=0

nnper=randperm(size(A,2))

index1=nnper(1)

index2=nnper(2)

%fprintf('index1=%d ',index1)

%fprintf('index2=%d ',index2)

temp=0

temp=A(index1)

A(index1)=A(index2)

A(index2)=temp

a=A

end

(6)连点画图函数 plot_route.m

function plot_route(a,R)

scatter(a(:,1),a(:,2),'rx')

hold on

plot([a(R(1),1),a(R(length(R)),1)],[a(R(1),2),a(R(length(R)),2)])

hold on

for i=2:length(R)

x0=a(R(i-1),1)

y0=a(R(i-1),2)

x1=a(R(i),1)

y1=a(R(i),2)

xx=[x0,x1]

yy=[y0,y1]

plot(xx,yy)

hold on

end

end

(7)主函数

clear

clc

%%%%%%%%%%%%%%%输入参数%%%%%%%%

N=50 %%城市的个数

M=100 %%种群的个数

C=100 %%迭代次数

C_old=C

m=2 %%适应值归一化淘汰加速指数

Pc=0.4%%交叉概率

Pmutation=0.2 %%变异概率

%%生成城市的坐标

pos=randn(N,2)

%%生成城市之间距离矩阵

D=zeros(N,N)

for i=1:N

for j=i+1:N

dis=(pos(i,1)-pos(j,1)).^2+(pos(i,2)-pos(j,2)).^2

D(i,j)=dis^(0.5)

D(j,i)=D(i,j)

end

end

%%如果城市之间的距离矩阵已知，可以在下面赋值给D，否则就随机生成

%%生成初始群体

popm=zeros(M,N)

for i=1:M

popm(i,:)=randperm(N)

end

%%随机选择一个种群

R=popm(1,:)

figure(1)

scatter(pos(:,1),pos(:,2),'rx')

axis([-3 3 -3 3])

figure(2)

plot_route(pos,R) %%画出种群各城市之间的连线

axis([-3 3 -3 3])

%%初始化种群及其适应函数

fitness=zeros(M,1)

len=zeros(M,1)

for i=1:M

len(i,1)=myLength(D,popm(i,:))

end

maxlen=max(len)

minlen=min(len)

fitness=fit(len,m,maxlen,minlen)

rr=find(len==minlen)

R=popm(rr(1,1),:)

for i=1:N

fprintf('%d ',R(i))

end

fprintf('\n')

fitness=fitness/sum(fitness)

distance_min=zeros(C+1,1) %%各次迭代的最小的种群的距离

while C>=0

fprintf('迭代第%d次\n',C)

%%选择 *** 作

nn=0

for i=1:size(popm,1)

len_1(i,1)=myLength(D,popm(i,:))

jc=rand*0.3

for j=1:size(popm,1)

if fitness(j,1)>=jc

nn=nn+1

popm_sel(nn,:)=popm(j,:)

break

end

end

end

%%每次选择都保存最优的种群

popm_sel=popm_sel(1:nn,:)

[len_m len_index]=min(len_1)

popm_sel=[popm_selpopm(len_index,:)]

%%交叉 *** 作

nnper=randperm(nn)

A=popm_sel(nnper(1),:)

B=popm_sel(nnper(2),:)

for i=1:nn*Pc

[A,B]=cross(A,B)

popm_sel(nnper(1),:)=A

popm_sel(nnper(2),:)=B

end

%%变异 *** 作

for i=1:nn

pick=rand

while pick==0

pick=rand

end

if pick<=Pmutation

popm_sel(i,:)=Mutation(popm_sel(i,:))

end

end

%%求适应度函数

NN=size(popm_sel,1)

len=zeros(NN,1)

for i=1:NN

len(i,1)=myLength(D,popm_sel(i,:))

end

maxlen=max(len)

minlen=min(len)

distance_min(C+1,1)=minlen

fitness=fit(len,m,maxlen,minlen)

rr=find(len==minlen)

fprintf('minlen=%d\n',minlen)

R=popm_sel(rr(1,1),:)

for i=1:N

fprintf('%d ',R(i))

end

fprintf('\n')

popm=[]

popm=popm_sel

C=C-1

%pause(1)

end

figure(3)

plot_route(pos,R)

axis([-3 3 -3 3])

---