2wef007-5-24总结MatLab遗传算法与直接搜索工具箱(Gads)....doc

2007-5-24：总结MatLab遗传算法与直接搜索工具箱（Gads）by 王桂从 主要的函数： 函数ga（主函数） 格式： X=ga (fitnessfun, nvars); X=ga (fitnessfun, nvars,options); [x, fval, reason]=ga(…); [x, fval, reason,output]=ga(…); [x, fval, reason, output, population]=ga(…); [x, fval, reason ,output, population, scores]=ga(…); 其中：output是一个结构体，包含以下字段： Randstate——遗传算法启动之前的rand的状态 Randnstate——遗传算法启动之前的randn的状态 Generations——计算的代数 Funccount——适应度函数的估算次数 Message——算法中止的原因，与输出变量reason相同。 Ga的主要算法过程： （1）函数体： Function [x,fval,exitflag,output,population,scores]=ga(Fun, genomeLength,options) （2）输入参数： Fun——适应度函数句柄 genomeLength——适应度函数的输入变量个数 options——遗传算法参数体，可以由gaoptimset函数进行设置。 （3）输出参数： X——最优点 Fval——函数的最优值 Exitflag——算法终止的输出 Output——结构体 Population——算法终止时的种群 Scores——算法终止时的适应度值。 （4）算法的计算过程 逻辑流程 第一步：产生初始种群 第二步：计算适应度值 开始循环： 适应度比例 选择 交叉 变异 计算适应度 迁移 输出 终止条件测试 结束循环 程序实现： 定义参数的默认值：defaultopt； 判断输入的参数格式是否正确；其中调用了函数 validate（） 获取初始种群和初始适应度值，调用函数makeState（） 函数gaoptimget（获取遗传算法参数结构值） 格式： Val=gaoptimget(options, ‘name’) 可以设置的参数：（详细的请参见[MatLab遗传算法工具箱及应用，雷英杰等编著，P205） 图形参数 绘图参数（PlotFcns） @gaplotbestf——画图最佳函数值与代数对； @gaplotexpection——画出与每一代原始得分对应的期望的子代数 @gaplotscorediversity——画出每一代的得分直方图 @plotstopping——画出停止条件水平 @gaplotbestindiv——画出每代中最佳适应度个体的向量值 @gaplotgenealogy——画出个体的谱系 @gaplotscores——画出每一代中个体的得分 @gaplotdistance——画出每一代中个体间的平均距离 @gaplotrange——画出每一代中最大、最小、平均适应度函数值 @gaplotselection——画出双亲的直方图 设置格式： Options=gaoptimset(‘PlotFcns’,{ @gaplotbestf ，@gaplotexpection …})，显示多个图形。 绘图函数的结构 Function state=plotfun(options, state,flag); 输入： Options：包含当前所有options设置的结构； State：包含当前种群信息的结构。 Flag（字符串）：一个字符串，表示算法的当前运行阶段。 状态结构State State结构是图形函数、变异函数、和输出函数的输入参数，主要包含以下字段： Population：当代种群 Score：当代种群的得分； Generation：当前代数 StartTime：GA的开始时间 StopFlag：包含停止原因的字符串 Selection：指明被选择出来的优良个体，交叉个体和变异个体 Expectation：希望选择的个体数 Best：每一代具有最好得分个体的向量 LastImprovement：适应度值发生改进的最后一代的代数 LastImprovementTime：适应度值发生改进的最后时间。 种群参数 （1）“PopulationType”：适应度函数的输入数据类型：提供了两种输入类型：“doubleVecktor”和“bitstring”; （2）“PopulationSize”：种群大小。即种群中个体的数目。默认为20 （3）“Cre