正文內容

用于函數優化的遺傳算法(編輯修改稿)

2026-07-19 19:24 本頁面

　

【文章內容簡介】 close all。clc。%遺傳算法參數設定和初始化M=50。 %種群大小20個T=1000。 %遺傳運算得終止進化代數120代Length=16。 %二進制編碼長度16位pc=。 %交叉概率F=pm=。 %變異概率Bi=Max=10。 %輸入值的取值上限Min=10。 %輸入值的取值下限G=round(rand(M,Length*2))。 %初始化，使其成為布爾型數值NG=zeros(M,Length*2)。for k=1:1:TT(k)=k。for s=1:1:M N=G(s,:)。 y1=0。y2=0。N1=N(1:Length)。 %對x1進行解碼，for i=1:Length y1=y1+N1(i)*2^(i1)。endx1=(MaxMin)*y1/(2^Length1)+Min。 x1_G(k)=x1。 %為了便于最后圖形輸出，而引進的類似指針型變量N2=N(Length+1:2*Length)。 %對x2進行解碼for i=1:Length y2=y2+N2(i)*2^(i1)。endx2=(MaxMin)*y2/(2^Length1)+Min。 x2_G(k)=x2。 %為了便于最后圖形輸出，而引進的類似指針型變量f1=0。f2=0。for i=1:5 f1=f1+i*(cos((i+1)*x1+i))。%% f2=f2+i*(cos((i+1)*x2+i))。 endF(s)=f1*f2。%x1.^2+2*x2.^*cos(3*pi.*x1)+*cos(4*pi.*x2)+。%4*x1.^*x1.^4+1/3*x1.^6+x1*x24*x2.^2+4*x2.^4。%(x1.^2+x211).^2+(x1+x2.^27).^2。%[1+(1+x1+x2)^2*(1914*x1+3*x1^214*x2+6*x1*x2+3*x2^2)]*[30+(2*x13*x2)^2*(1832*x1+12*x1^2+48*x236*x1*x2+27*x2^2)]。%100*(x1.^2x2).^2+(1x1).^2。%%%%%F(s)=f1*f2。 %目標函數表達式endFit=F。%+max(F)。[Order,Index]=sort(Fit)。 %將適應度從小到大進行排列BF=Index(M)。%Order(M)。 %選出適應度最大得值BFI(k)=F(BF)。%最小函數值BFM(k)=mean(BFI)。%每次迭代函數值的平均值BG=G(Index(M),:)。 In=M。 %保護5個最優個體for i=1:1:5 BGG(i,:)=G(Index(In),:)。 In=In1。end%采用賭盤選擇法

點擊復制文檔內容

物理相關推薦

用于函數優化的遺傳算法(編輯修改稿)

齒輪傳動優化設計的遺傳算法研究-畢業設計-資料下載頁

畢業設計-基于遺傳算法的壓縮彈簧的優化設計-資料下載頁

遺傳算法詳解-資料下載頁

基于遺傳算法的bp神經網絡的優化問題研究-資料下載頁

物流遺傳算法-資料下載頁

畢業設計-基于遺傳算法的壓縮彈簧的優化設計-資料下載頁

畢業設計-基于遺傳算法的壓縮彈簧的優化設計-資料下載頁

遺傳算法的實現技術-資料下載頁

matlab-的遺傳算法實例-資料下載頁

項目優化調度的病毒協同進化遺傳算法docdoc-資料下載頁

經典的遺傳算法教程-資料下載頁

基于遺傳算法的無功優化與控制畢業設計論文-資料下載頁

基于遺傳算法的無功優化與控制畢業設計論文-資料下載頁

遺傳算法的matlab程序實例-資料下載頁

張砦-遺傳算法在多目標優化中的應用-資料下載頁

用于函數優化的遺傳算法(編輯修改稿)

用于函數優化的遺傳算法-wenkub.com

用于函數優化的遺傳算法(已改無錯字)

用于函數優化的遺傳算法-資料下載頁

用于函數優化的遺傳算法(參考版)