从最近的遗传算法来看，这是经典的优化算法。 我们可以将实际工程问题抽象为数学问题，转化为含有一些未知数的函数及其相应的约束。 而且，在这些制约下成为求出该函数的最大值或最小值的问题。 求最大值或最小值需要遗传算法、粒子群算法、蚁群算法、模拟退火算法等优化算法。 例如，机器中装配线的布局问题是，在知道产品的生产节拍、产品的种类、每个产品的组装工序和优先顺序、每个组装工序的运转时间的基础上，如果站的数量最少，则站的数量最少，意味着设置面积最小，且意味着工厂的能耗最低，这个问题是根据产品的组装要求将这些信息抽象到数学模型中，在这个数学模型中将工作站的数量设定为未知数，可以用遗传算法求出，这次试着用遗传算法来计算函数的最大值网上有几个相似的例子，经过我的调查和调试，或多或少在逻辑上或语法上有错误。 经过我不断的修改和调试，我终于调整了。 进入下一个代码！
2016-2-29上传16:56
单击文件名下载附件
下载积分： G硬币-1
该压缩文件在以下函数txt文本模式下，由于是最后三速函数，因此放在论坛上时会出现表情符号。 在这里上传到论坛。
主题：求出以下函数的最大值，f(x )=10 ) sin (5x )7) cos (4x )，其中x (0，10 )。
%Name:main.m
%主函数
清除器
clf
popsize=20； %组大小
chromlength=10； %字符串长度(个体长度)
pc=0.6； %交叉概率
pm=0.001； %变异概率
pop=initpop(popsize，chromlength )； %随机生成初始群体
for i=1:20是反复次数
[objvalue]=calobjvalue(pop )； %计算目标函数
fitvalue=calfitvalue(objvalue )； 计算%组内各个体的适应度
[newpop]=selection(pop，fitvalue； %复制
[newpop]=crossover(pop，pc )； %交叉
[newpop]=mutation(pop，pm )； %变异
[bestindividual，bestfit]=best(pop，fitvalue )； 求%群体中适应值最大的个体及其适应值
y(I )=max ) bestfit；
n(I )=i；
pop5=bestindividual；
x(I )=译码字符(pop 5，1，字符长度) *10/1023； %回转十进制
pop=newpop；
结束
FPlot('10*sin )5*x )7*cos )4*x )，[0 10]
霍尔德on
plot(x，y，' r* ) )
霍尔德关闭
[zindex]=max(y； %计算最大值及其位置
x5=x(index ) %与计算最大值对应的x值
y=z
%Name: initpop.m
%初始化
函数pop=init pop (popsize，chromlength ) ) ) ) )。
pop=round(rand ) popsize，chromlength )； % rand随机生成各单元为{ 0，1 }行数为popsize、列数为chromlength的矩阵，
% round舍入矩阵中的每个单元格。 这样出生的初期种群。
%Name: decodechrom.m
虽然这是在将%二进制代码转换为十进制代码之前对二进制位的剪切，但实际上，如果您知道这个主题，则可以看到，相对于这个例题，此函数的功能是完全可以忽略的
function pop2=译码chrom (pop、spoint、length ) )。
pop1=pop(:spoint:spoint length-1 )；
pop2=解码二进制(pop 1；
%Name: decodebinary.m
%将二进制文件转换为十进制文件
function pop2=解码二进制(pop )
[px，py]=size(pop )； 求出pop的行数和列数
for i=1:py
pop1(3360，I )=2.^ ) py-I ).*pop ) :I )；
结束
pop2=sum (pop 1，2 )； 求出pop1各行的和
%Name: calobjvalue.m
实现%目标函数的计算
function [ obj value ]=calobjvalue (pop )
temp1=译码铬(pop，1，10 )； %对于每个pop
行转化成十进制数x=temp1*10/1023; %将二值域 中的数转化为变量域 的数
objvalue=10*sin(5*x)+7*cos(4*x); %计算目标函数值
%Name:calfitvalue.m
%计算个体的适应值
function fitvalue=calfitvalue(objvalue)
[px,py]=size(objvalue);
for i=1:px
if objvalue(i)>0
temp=objvalue(i);
else
temp=0.0;
end
fitvalue(i)=temp;
end
fitvalue=fitvalue';
%Name: selection.m
%选择复制
function [newpop]=selection(pop,fitvalue)
totalfit=sum(fitvalue); %求适应值之和
fitvalue=fitvalue/totalfit; %单个个体被选择的概率
fitvalue=cumsum(fitvalue); %如 fitvalue=[1 2 3 4]，则 cumsum(fitvalue)=[1 3 6 10]
[px,py]=size(pop);
ms=sort(rand(px,1)); %从小到大排列
fitin=1;
newin=1;
while newin<=px
if(ms(newin))
newpop(newin)=pop(fitin);
newin=newin+1;
else
fitin=fitin+1;
end
end
3.png (16.93 KB, 下载次数: 3)
2016-2-29 16:54 上传
1.png (18.21 KB, 下载次数: 3)
2016-2-29 16:50 上传
2.png (16.1 KB, 下载次数: 4)
2016-2-29 16:50 上传
以上就是这个题目用遗传算法的解题代码了，绝对能够调试通过，只不过遗传算法是一种激励式的算法，它只有在一定概率的情况下能求得全局最优解，一般是求得局部最优解，所以这种算法的最终结果只是个参考的解，如何提高解的最优性，是无数专家学者研究的热点，对于这里例题，大家可以通过增加繁殖的代数来缓解这个问题，这个代码中只繁衍了20代，我亲自试过了，如果繁衍200代，或者2000代，甚至20000代，精度会有一定提高的。
这个代码可以适用于几乎所有一元函数的求最大值和最小值问题，这是将几个关键的地方修改一下就可以，如果是二元函数或者是多元函数的话，则需要改动的大一些，但是大部分代码都是可以直接用的，尤其是遗传过程中的，选择、交叉、变异过程，在这里代码逻辑很精彩。读者可以细细品味。
下面给大家截个最后结果图吧：
QQ图片20160229163050.jpg (84.76 KB, 下载次数: 3)
2016-2-29 16:31 上传
有兴趣的找我讨论啊！我们共同进步！