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

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])

智能信息处理是什么内容如下：

信息智能处理技术是信号与信息技术领域一个前沿的富有挑战性的研究方向，它以人工智能理论为基础，侧重于信息处理的智能化，包括计算机智能化（文字、图象、语音等信息智能处理）、通信智能化以及控制信息智能化。

本书内容主要包括：模糊理论、专家系统、人工神经网络、遗传算法、模拟退火算法、蚁群算法、免疫算法、克隆选择算法和粒子群算法，并给出了算法基于MATLAB语言的具体实现方法，以及在信息处理和现代通信系统中的具体应用实例。

智能信息处理是利用计算机自动识别物体、图像、声音、字符等的技术。其一般流程包括:样本采集、信息数字化、预处理、数据特征提取、与标准模式比较、分类识别。

因为信息通常是承载在某个信号上的，所以信息的处理总是通过信号处理来实现的。所以信息处理和信号处理往往有着相似的含义。

信息处理的主要目的是:提高有效性；提高抗干扰性能；提高主观感受的效果；识别和分类信息；和单独的选择信息。总的来说是为了更好的匹配目的地的性质，舍弃那些与目的地无关的部分，突出目的地需要的有用部分。

---