遗传算法的matlab代码实现是什么？

遗传算法我懂，我的论文就是用着这个算法，具体到你要遗传算法是做乱歼什么？优化什么的。。。我给你一个标准遗传算法程序供你参考：

该程序是遗传算法优化BP神经网络函数极值寻优：

%% 该代码为基于神经网络遗传算法的系统极值寻优

%% 清空环境变量

clc

clear

%% 初始哗李冲化遗传算法参数

%初始化参数

maxgen=100%进化代数，即迭代次数

sizepop=20 %种群规模

pcross=[0.4] %交叉概率选择，0和1之间

pmutation=[0.2] %变异概率选择，0和1之间

lenchrom=[1 1] %每个变量的字串长度，如果是浮点变量，则长度都为1

bound=[-5 5-5 5] %数据范围

individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]) %将种群信息定义为一个结构体

avgfitness=[] %每一代种群的平均适应度

bestfitness=[]%每一代种群的最佳适应度

bestchrom=[] %适应度最好的染色体

%% 初始化种群计算适应度值

% 初始化种群

for i=1:sizepop

%随机产生一个种群

individuals.chrom(i,:)=Code(lenchrom,bound)

x=individuals.chrom(i,:)

%计算适应度

individuals.fitness(i)=fun(x) %染色体的适应度

end

%找最好的染色体

[bestfitness bestindex]=min(individuals.fitness)

bestchrom=individuals.chrom(bestindex,:) %最好的染色体

avgfitness=sum(individuals.fitness)/sizepop%染色体的平均适应度

% 记录每一代进化中最好的适应度和平均适应度

trace=[avgfitness bestfitness]

%% 迭代寻优

% 进化开始

for i=1:maxgen

i

% 选择

individuals=Select(individuals,sizepop)

avgfitness=sum(individuals.fitness)/sizepop

%交叉

individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound)

% 变异

individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound)

% 计算适应度

for j=1:sizepop

x=individuals.chrom(j,:)%解码

individuals.fitness(j)=fun(x)

end

%找到最小和最大适应度的染色体及它们在种群中的位置

[newbestfitness,newbestindex]=min(individuals.fitness)

[worestfitness,worestindex]=max(individuals.fitness)

% 代替上一扰型次进化中最好的染色体

if bestfitness>newbestfitness

bestfitness=newbestfitness

bestchrom=individuals.chrom(newbestindex,:)

end

individuals.chrom(worestindex,:)=bestchrom

individuals.fitness(worestindex)=bestfitness

avgfitness=sum(individuals.fitness)/sizepop

trace=[traceavgfitness bestfitness]%记录每一代进化中最好的适应度和平均适应度

end

%进化结束

%% 结果分析

[r c]=size(trace)

plot([1:r]',trace(:,2),'r-')

title('适应度曲线','fontsize',12)

xlabel('进化代数','fontsize',12)ylabel('适应度','fontsize',12)

axis([0,100,0,1])

disp('适应度 变量')

x=bestchrom

% 窗口显示

disp([bestfitness x])

给你来一段

%主程序核昌

%数据归一化预处理

nntwarn off

[pn,minp,maxp]=premnmx(p)

pp=(pn+1)/2

[tn,mint,maxt]=premnmx(t)

%建立BP网络

net=newff(minmax(pp),[15,1],{'logsig','purelin'},'trainlm')

%应用遗传算法对优化网络初始值

in=size(pn,1)

out=size(tn,1)

hi=15%隐含层节点数

L=in*hi+hi*out+hi+out%遗传算法编码长度

aa=ones(L,1)*[-1,1]

popu=50%种群规模

initPpp=initializega(popu,aa,'ISeval')%初始化种群

gen=100%遗传世代

%调用GAOT工具箱，其中目标函数定义为ISeval

[x,endPop,bPop,trace]=ga(aa,'ISeval',[],initPpp,[1e-6 1 1],'maxGenTerm',…

,gen,'normGeomSelect',[0.09],['arithXover'],[2],'nonUnifMutation',[2 gen 3])

%绘收敛曲线图

figure(1)

plot(trace(:,1),1./trace(:,3),'r-')

hold on

plot(trace(:,1),1./trace(:,2),'b-')

xlabel('Generation')

ylabel('Sum-Squared Error')

figure(2)

plot(trace(:,1),trace(:,3),'r-')

hold on

plot(trace(:,1),trace(:,2),'b-')

xlabel('Generation')

ylabel('Fittness')

%将得到的权值矩阵赋给尚未开始训毁中练的BP网络

[w1,b1,w2,b2,a1,a2,se,eval]=IScode(x)%调用自定义编解码函数

%创建网络

net.iW{1,1}=w1

net.LW{2,1}=w2

net.b{1,1}=b1

net.b{2,1}=b2

%设置训练参数

net.trainParam.show=10

net.trainParam.epochs=5000

net.trainParam.goal=0.05

%训练网络

net=train(net,pp,t)

%自定义目标函数

function [sol, eval] = ISeval(sol,options)

% eval - the fittness of this individual

% sol - the individual, returned to allow for Lamarckian evolution

% options - [current_generation]

p=[]%原始输入数据

t=[]%原始输出数据

in=size(p,1)

out=size(t,1)

hi=15%隐含层节纤氏山点数

L=in*hi+hi*out+hi+out%遗传算法编码长度

for i=1:L,

x(i)=sol(i)

end

[w1, b1, w2, b2, a1, a2, se, eval]=IScode(x)

%自定义编解码函数

function [w1, b1, w2, b2, a1, a2, se, eval]=IScode(x)

[pn,minp,maxp]=premnmx(p)

pp=(pn+1)/2

[tn,mint,maxt]=premnmx(t)

in=size(pn,1)%输入层结点数

out=size(tn,1)%隐含层结点数

hi=15%隐含层结点数

L=in*hi+hi*out+hi+out%遗传算法编码长度

% 前in*hi个编码为w1

for i=1:hi,

for j=1:in,

w1(i,j)=x(in*(i-1)+j)

end

end

% 接着的hi*out个编码为w2

for i=1:out,

for j=1:hi,

w2(i,j)=x(hi*(i-1)+j+in*hi)

end

end

% 接着的hi个编码为b1

for i=1:hi,

b1(i,1)=x((in*hi+hi*out)+i)

end

% 最后的out个编码b2

for i=1:out,

b2(i,1)=x((in*hi+hi*out+hi)+i)

end

% 计算hi层与out层的输出

a1=tansig(w1*pp,b1)

a2=purelin(w2*a1,b2)

% 计算误差平方和

se=sumsqr(t-a2)eval=1/se% 遗传算法的适应值

---