【文章內(nèi)容簡介】 MinX,MaxX,MumberLength)。end【程序說明】．子程序中含有5個輸入?yún)?shù)：PopulationCode表示用0—1代碼表示的群體，F(xiàn)unctionFitness 表示目標(biāo)函數(shù)，它是一個字符串，因此寫入調(diào)用程序時，應(yīng)該用單引號括出，MumberLength表示染色體位串的二進(jìn)制長度．MinX和MaxX 分別指變量區(qū)間的上下限．附錄4：子程序 function PopulationData=Translate(PopulationCode,MinX,MaxX,MumberLength)PopulationData=0。Dim=size(PopulationCode)。for i=1:Dim(2) PopulationData=PopulationData+PopulationCode(i)*(2^(MumberLengthi))。endPopulationData=MinX+PopulationData*(MaxXMinX)/(2^Dim(2)1)?！境绦蛘f明】子程序 ．含有4個輸入?yún)?shù)，PopulationCode, MinX, MaxX, MumberLength．附錄5：function PopulationFitness=Transfer(PopulationCode,FunctionFitness,MinX,MaxX,MumberLength)PopulationFitness=0。PopulationData=Translate(PopulationCode,MinX,MaxX,MumberLength)。PopulationFitness=double(subs(FunctionFitness,39。x39。,sym(PopulationData)))。 【程序說明】子程序 Transfer 把群體中的染色體的目標(biāo)函數(shù)值用數(shù)值表示出來，它是Fitness的重要子程序．其有5個輸入?yún)?shù)分別為PopulationCode, FunctionFitness, MinX, MaxX，MumberLength．附錄6：function PopulationFitnessF=FitnessF(PopulationFitness,Fmin)Dim=size(PopulationFitness)。PopulationFitnessF=zeros(1,Dim(2))。for i=1:Dim(2)if PopulationFitness(i)Fmin PopulationFitnessF(i)=PopulationFitness(i)Fmin。endif PopulationFitness(i)=Fmin PopulationFitnessF(i)=0。endend【程序說明】．其輸入?yún)?shù)如下：PopulationFitness 為群體中染色體的目標(biāo)函數(shù)值，F(xiàn)min為定義適應(yīng)函數(shù)過程中給出的一個目標(biāo)函數(shù)的可能的最小值．附錄7：子程序 function PopulationProbability=Probability(PopulationFitness)SumPopulationFitness=sum(PopulationFitness)。PopulationProbability=PopulationFitness/SumPopulationFitness?！境绦蛘f明】子程序 用于計算群體中每個染色體的入選概率，輸入?yún)?shù)為群體中染色體的適應(yīng)函數(shù)值PopulationFitness．附錄8：子程序 function NewPopulation=Select(Population,PopulationProbability,MemberNumber)CProbability(1)=PopulationProbability(1)。for i=2:MemberNumber CProbability(i)=CProbability(i1)+PopulationProbability(i)。endfor i=1:MemberNumber r=rand(1)。 Index=1。 while rCProbability(Index) Index=Index+1。 end NewPopulation(i,:)=Population(Index,:)。end【程序說明】子程序 根據(jù)入選概率（計算累計概率）在群體中按比例選擇部分染色體組成種群，該子程序的3個輸入?yún)?shù)分別為：群體Population，入選概率PopulationProbability，群體中染色體的個數(shù)MemberNumber．附錄9：子程序 function NewPopulation=Crossing(Population,FunctionFitness,MinX,MaxX,MumberLength)%%PopulationFitness=%% Fitness(Population,FunctionFitness,MinX,MaxX,MumberLength)。%%PopulationProbability=Probability(PopulationFitness)。%%[SortResult,SortSite]=sort(PopulationProbability)。%%Population=Population(SortSite,:)。Dim=size(Population)。if Dim(1)=3 Temp=Population(Dim(1),:)。 Population(Dim(1),:)=Population(Dim(1)1,:)。 Population(Dim(1)1,:)=Temp。endfor i=1:2:Dim(1)1 SiteArray=randperm(Dim(2))。 Site=SiteArray(1)。 Temp=Population(i,1:Site)。 Population(i,1:Site)=Population(i+1,1:Site)。 Population(i+1,1:Site)=Temp。endNewPopulation=Population?！境绦蛘f明】子程序 用于群體中的交叉并產(chǎn)生新群體．其輸入?yún)?shù)為：Population, FunctionFitness，MinX，MaxX，MumberLength．附錄10：function NewPopulation=Mutation(Population,MutationProbability)Dim=size(Population)。for i=1:Dim(1) Probability=rand(1)。 Site=randperm(Dim(2))。 if ProbabilityMutationProbability if Population(i,Site(1))==1 Population(i,Site(1))=0。 end if Population(i,Site(1))==0 Population(i,Site(1))=1。 end endendNewPopulation=Population?！境绦蛘f明】．輸入?yún)?shù)為：群體Population和變異概率MutationProbability．附錄11：function [NewPopulationIncludeMax,CurrentBest,EachGenMaxFitness]=Elitist(Population,PopulationFitness,MumberLength)global Count CurrentBest。[MinFitness,MinSite]=min(PopulationFitness)。[MaxFitness,MaxSite]=max(PopulationFitness)。EachGenMaxFitness=MaxFitness。if Count==1 CurrentBest(1:MumberLength)=Population(MaxSite,:)。 CurrentBest(MumberLength+1)=PopulationFitness(MaxSite)。else if CurrentBest(MumberLength+1)PopulationFitness(MaxSite)。 CurrentBest(1:MumberLength)=Population(MaxSite,:)。 CurrentBest(MumberLength+1)=PopulationFitness(MaxSite)。 endPopulation(MinSite,:)=CurrentBest(1:MumberLength)。endNewPopulationIncludeMax=Population?！境绦蛘f明】（“優(yōu)勝劣汰”思想）．輸入?yún)?shù)為：群體Population, 目標(biāo)函數(shù)值PopulationFitness和染色體個數(shù)MumberLength．“遺傳算法”專題一、遺傳算法的主要特征： 我們的目的是獲得“最好解”，可以把這種任務(wù)看成是一個優(yōu)化過程。對于小空間，經(jīng)典的窮舉法就足夠了；而對大空間，則需要使用特殊的人工智能技術(shù)。遺傳算法(Genetic Algorithm)是這些技術(shù)中的一種，它是一類模擬生物進(jìn)化過程而產(chǎn)生的由選擇算子、雜交算子和變異算子三個基本算子組成的全局尋優(yōu)算法。它從一個初始族出發(fā)，由選擇算子選出性狀好的父本，由雜交算子進(jìn)行雜交運(yùn)算，變異算子進(jìn)行少許變異，在一定概率規(guī)則控制下隨機(jī)搜索模型空間。一代代進(jìn)化，直到最終解族對應(yīng)的誤差泛函值達(dá)到設(shè)定的要求。 遺傳算法的結(jié)構(gòu)： Procedure Genetic Algorithm begin initialize evaluate while (not terminationcondition) do beginselect from alter evaluate end end 圖1. 遺傳算法的結(jié)構(gòu) 在第次迭代，遺傳算法維持一個潛在解的群體。每個解用其“適應(yīng)值”評價。然后通過選擇更合適個體（次迭代）形成一個新的群體。新的群體的成員通過雜交和變異進(jìn)行變換，形成新的解。雜交組合了兩個親體染色體（即待求參數(shù)的二進(jìn)制編碼串）的特征，通過交換父代相應(yīng)的片斷形成了兩個相似的后代。例如父代染色體為和，在第二個基因后雜交，產(chǎn)生的后代為和。雜交算子的目的是在不同潛在解之間進(jìn)行信息交換。變異是通過用一個等于變異率的概率隨機(jī)地改變被選擇染色體上的一個或多個基因（染色體中的一個二進(jìn)制位）。變異算子的意圖是向群體引入一些額外的變化性。 遺傳算法的特點：(1). 它不是直接作用于參變量集上，而是作用于參變量的某種編碼形成的數(shù)字串上。(2). 它不是從單個點，而是從一