【正文】 下的一個優(yōu)化問題：max{f(x)|x∈X}，這里f是X上的一個函數(shù)，X是問題的解空間. 它可以是一個有限集合（如組合優(yōu)化問題），也可以是實(shí)空間Rn的一個子集（如連接優(yōu)化問題）等. 有了以上的理論基礎(chǔ)，現(xiàn)在來舉個簡單的實(shí)例來說明，如優(yōu)化如下的目標(biāo)函數(shù)（求最大值）：f(x)=2x2cos(3x)+xsin(5x)+8 (7)打開并進(jìn)入 Matlab， 文件，輸入附錄上的程序內(nèi)容，并保存名為 的文件. 完成后，返回到控制窗口，輸入如下的內(nèi)容：sga(40，2，10，，). 執(zhí)行即可得出如下結(jié)果，x=；y=，如圖 2 所示（與精確值基本相同）,可見此算法是正確的.圖 2 遺傳算法程序優(yōu)化結(jié)果圖6 結(jié)論 主要發(fā)現(xiàn)遺傳算法的研究歸納起來分為理論與技術(shù)研究、應(yīng)用研究兩個方面. 理論與技術(shù)研究主要從遺傳操作、群體大小、參數(shù)控制、適應(yīng)度評價以及并行實(shí)現(xiàn)技術(shù)等方面來提高遺傳算法的性能. 并且Matlab軟件有功能強(qiáng)大的數(shù)學(xué)函數(shù)支持編程效率高，語句簡單，功能齊備利用Matlab來編寫遺傳算法程序簡單而且易于操作. 啟示任何事物之間都存在著必然的聯(lián)系，就如遺傳算法. 遺傳算法的理論本身來源于自然界中“遺傳與選擇”的進(jìn)化過程然而現(xiàn)在遺傳算法的基本理論已經(jīng)廣泛用于函數(shù)優(yōu)化、組合優(yōu)化、生產(chǎn)調(diào)度、自動控制、機(jī)器人智能、人工生命、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等各方面. 因此在日常的生活與學(xué)習(xí)中我們要善于用普遍聯(lián)系的哲學(xué)觀去發(fā)現(xiàn)事物、認(rèn)知事物最后找到解決問題的最優(yōu)方法. 局限性遺傳算法作為一種優(yōu)化理論，該文在尋求最優(yōu)解時，未能對最優(yōu)解產(chǎn)生的過程進(jìn)行詳細(xì)的描述，只是給出了粗略的介紹, 這是不足的地方. 努力的方向遺傳算法因?yàn)槠鋷缀醪恍枰髥栴}的任何信息，僅需目標(biāo)函數(shù)的信息，就可以得出全局最優(yōu)解，具有非常廣闊的發(fā)展前景. 但是遺傳算法作為一種優(yōu)化理論,其本身就是很復(fù)雜，所以對任何問題都適用的萬能算法至今仍找不到. 在優(yōu)化理論方面，要注意以下的幾個方面：(1)對于對f(x)的極小值優(yōu)化問題，標(biāo)準(zhǔn)適應(yīng)函數(shù)可定義： ??xnormaif=f； ??x?(?, ] (8) ri= f1?； [0, ) (9)(2)適應(yīng)度函數(shù)的確定適應(yīng)度函數(shù)是用于評價各碼串對問題適應(yīng)程度的準(zhǔn)則. 函數(shù)優(yōu)化問題是直接把函數(shù)本身作為目標(biāo)函數(shù)，對于復(fù)雜的系統(tǒng)，必須構(gòu)造出恰當(dāng)?shù)哪繕?biāo)函數(shù).(3)確定算法本身的參數(shù)群體的大?。ㄓ址Q群體規(guī)模）n影響遺傳算法的性能. n取得太小，則群體不能提供足夠的信息，算法會變得很差很難找到問題的解；n取得過大，則算法的計(jì)算量會增加，使算法的效率下降. 目前常用的群體規(guī)模數(shù)為：n=20～160. 若群體容量較大如：n=100通常取pc=，pm=；若群體容量較小如：n=30通常取pc=，pm=.參考文獻(xiàn)[1]周勇等. 非數(shù)值并行算法遺傳算法[M]. 北京:科學(xué)出版社,2022:2025.[2]周明, 孫樹棟. 遺傳算法原理及應(yīng)用[M]. 北京: 國防工業(yè)出版社,1995:1020.[3]徐宗本, 李國. 解全局優(yōu)化問題的仿生類算法(I)[J]. 運(yùn)籌學(xué)雜志,1995,6(12):7072.[4]張文修. 遺傳算法的數(shù)學(xué)基礎(chǔ)[M]. 成都：西安交通大學(xué)出版社,2022:3444.[5]王小平. 遺傳算法理論、應(yīng)用與軟件實(shí)現(xiàn)[M]. 成都：西安交通大學(xué)出版社,2022:5860.[6]張鈴、張鈸. 遺傳算法的機(jī)理研究[J]. 軟件學(xué)報(bào),2022,15(2):57.[7]李敏強(qiáng). 遺傳算法的基本理論與應(yīng)用[M]. 北京: 科學(xué)出版社,2022:8387.[8]吉根林. 遺傳算法研究綜述[J]. 計(jì)算機(jī)應(yīng)用與軟件, 2022,13(5):1113.[9]玄光男，程潤傳. 遺傳算法與工程設(shè)計(jì)[M]. 北京: 科學(xué)出版社,2022:6774.[10]馬玉明. 遺傳算法的理論研究綜述[J]. 山東輕工業(yè)學(xué)院學(xué)報(bào),2022:18(3):4653.[11]張麗萍, 柴躍廷. 遺傳算法的現(xiàn)狀及發(fā)展動向[J]. 信息與控制,2022,18(5):2317.[12]戴曉暉, 李敏強(qiáng), 寇紀(jì)凇. 遺傳算法理論研究綜述[J]. 控制與決策,2022,16(2):2730.[13]席裕庚, 柴天佑, 惲為民. 遣傳算法綜述[J]. 控制理論與應(yīng)用,1996,13(4):3339.[14]唐穗欣. 標(biāo)準(zhǔn)遺傳算法的原理及算例[J]. 軟件導(dǎo)刊,2022,17(6):2227.[15]俆小龍，王文國. 遺傳算法的原理與應(yīng)用[J]. 沿海企業(yè)與科技,2022,20(3):3438.[16]張文修，梁怡. 遺傳算法的數(shù)學(xué)基礎(chǔ)[M]. 成都：西南交通大學(xué)出版社,2022:104112.[17]潘正君，康立山. 演化計(jì)算[M]. 北京：清華大學(xué)出版社,1998:8489.[18]李敏強(qiáng), 寇紀(jì)凇,林丹,李書全. 遺傳算法的基本理論與應(yīng)用[M]. 北京:科學(xué)出社,2022:7784.[19]孫祥，徐流美. 基礎(chǔ)教程[M]. 北京: 清華大學(xué)出版社,2022:94102.致　謝轉(zhuǎn)眼間, 我已在曲靖師范學(xué)院度過了四個年頭. 四年, 一段不短的時間, 四年的光陰讓我成長, 讓我從青澀走向成熟.此次畢業(yè)論文的每一個過程都凝結(jié)著劉俊老師的心血, 從選題到答辯的每一步, 都離不開劉老師悉心的指導(dǎo). 劉老師對我的影響是巨大而深刻的, 這種影響不是一朝的迸發(fā), 而是日積月累的滲透, 在這點(diǎn)滴匯聚中使我逐漸形成正確、成熟的人生觀、價值觀. 為此, 我常常慶幸于我的幸運(yùn)—有這樣的導(dǎo)師是我本科生生涯的一大幸事! 在此, 我要真誠的說聲:“謝謝您, 劉老師!”遺憾的是, 畢業(yè)在即,能夠在劉老師身邊學(xué)習(xí)的日子已屈指可數(shù). 多么希望時間可以再多些 , 日子可以再長些, 讓我可以有更多的時間, 更多的機(jī)會向劉老師再多學(xué)一點(diǎn). 不過, 在以后的學(xué)習(xí)和生活中我會謹(jǐn)記劉老師的教導(dǎo)不斷的努力奮斗! 另外, 我還要感謝大學(xué)這四年中辛苦教育我的每位教師 . 是他們的教育, 使我的世界觀、人生觀和價值觀從幼稚走向成熟！在大學(xué)里, 因?yàn)橛辛死蠋煹囊龑?dǎo),使我的大學(xué)生活不至虛度！最后, 感謝我的朋友, 我的同窗, 感謝你們在我失意時給我鼓勵, 在失落時給我支持, 感謝你們和我一路走來, 讓我在此過程中倍感溫暖! 感謝我的家人, 沒有你們, 就不會有今天的我!我一直感恩, 感恩于我可以擁有一個如此溫馨的家庭, 讓我所有的一切都可以在你們這里得到理解與支持, , 愛我們的家！ 一個人的成長絕不是一件孤立的事, 沒有別人的支持與幫助絕不可能辦到. 我感謝可以有這樣一個空間, 讓我對所有給予我關(guān)心、幫助的人說聲 “謝謝”! 今后, 我會繼續(xù)努力, 好好學(xué)習(xí)!好好生活!好好工作!!附 錄function result=sga(n,a,b,pc,pm,e)%n—群體規(guī)模。a—搜索上限。b—搜索下限。%pc—交叉概率。pm—變異概率。e—計(jì)算精度。for i=1:50 %求出群體的碼串最小長度 mif (ba)/e2^(i)m=i+1。elsei=i+1。endendpopusize=n。chromlength=m。j=1。popu=round(rand(popusize,chromlength))。 %隨機(jī)產(chǎn)生 n 行 m 列的初始群體while j=30 %設(shè)置程序中止條件py=chromlength。for i=1:py %進(jìn)行二進(jìn)制轉(zhuǎn)換成十進(jìn)制的解碼操作popu1(:,i)=2.^(py1).*popu(:,i)。py=py1。endpopu2=sum(popu1,2)。x=a+popu2*(ba)/(2.^11)。yvalue=2*x.^2.*cos(3*x)+x.*sin(5*x)+8。 %計(jì)算群體中每個個體的適應(yīng)度for i=1:popusize %執(zhí)行復(fù)制操作if yvalue(i)0yvalue(i)=0。endendfitscore=yvalue/sum(yvalue)。%個體被選中的概率fitscore=cumsum(fitscore)。% 群體中個體的累積概率wh=sort(rand(popusize,1))。% 從小到大排列wheel=1。fitone=1。while wheel=popusize %執(zhí)行轉(zhuǎn)盤式選擇操作if wh(wheel)fitscore(fitone)newpopu(wheel,:)=popu(fitone,:)。wheel=wheel+1。elsefitone=fitone+1。endendpopu=newpopu。for i=1:2:popusize1 %執(zhí)行交叉操作if randpccpoint=round(rand*chromlength)。newpopu(i,:)=[popu(i,1:cpoint) popu(i+1,cpoint+1:chromlength)]。newpopu(i+1,:)=[popu(i+1,1:cpoint) popu(i,cpoint+1:chromlength)]。elsenewpopu(i,:)=popu(i,:)。newpopu(i+1,:)=popu(i+1,:)。endendpopu=newpopu。for i=1:popusize %執(zhí)行變異操作if randpmmpoint=round(rand*chromlength)。if mpoint=0。mpoint=1。endnewpopu(i,:)=popu(i,:)。if newpopu(i,mpoint)==0newpopu(i,mpoint)=1。elsenewpopu(i,mpoint)=0。endelsenewpopu(i,:)=popu(i,:)。endend[y(j) index]=max(yvalue)。 %求出群體中適應(yīng)值最大的個體及其適應(yīng)值bestindividual=newpopu(index,:)。py=chromlength。for i=1:py %進(jìn)行二進(jìn)制轉(zhuǎn)換成十進(jìn)制的解碼操作bestindividual(1,i)=2.^(py1).*bestindividual(:,i)。py=py1。endr(j)=a+sum(bestindividual,2)*(ba)/(21)。popu=newpopu。j=j+1。% 重新賦值并返回endfplot(39。2*x.^2.*cos(3*x)+x.*sin(5*x)+839。,[a b])。hold on。plot(r,y,39。r*39。)。hold offxlabel(39。x39。)。ylabel(39。y39。)[y index]=max(y)。 %計(jì)算最大值及其位置result=[r(index) y]。% 返回優(yōu)化結(jié)果??