遗传算法的理论是根据达尔文进化论而设计出来的算法: 人类是朝着好的方向（最优解）进化，进化过程中，会自动选择优良基因，淘汰劣等基因。
遗传算法（英语：genetic algorithm (GA) ）是计算数学中用于解决最佳化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择、杂交等。
遗传算法的一般步骤
my_fitness函数 评估每条染色体所对应个体的适应度
升序排列适应度评估值，选出 前 parent_number 个 个体作为 待选 parent 种群（适应度函数的值越小越好）
从 待选 parent 种群 中随机选择 2 个个体作为父方和母方。
抽取父母双方的染色体，进行交叉，产生 2 个子代。（交叉概率）
对子代（parent + 生成的 child）的染色体进行变异。（变异概率）
重复3,4,5步骤，直到新种群（parent_number + child_number）的产生。
循环以上步骤直至找到满意的解。
本资源包含遗传算法+matlab+原理介绍+示例源码
2024-01-16 20:57:49
12KB
1
MATLAB自带遗传算法工具箱gatool使用方法代码
可根据自己的需要, 修改目标函数和约束, 且设置算法参数已得到,满意的结果.
本遗传算法优化的目标函数如下:
y=4.891*x12*x2*x32
线性不等式约束 A*x≤b
2x1+3x2-4x3≤10
x1-5x2+3x3≤30
A=[2,3,-4;
1,-5,3]
b=[10;
30]
线性等式约束Aeq*x=beq
1.2x1+1.6x2+2x3=9
x1+x2+x3=5
Aeq=[1.2,1.6,2;
1,1,1]
beq=[9
5]
自变量上下限
-30
2023-11-22 00:19:52
132KB
1
在现实生活中，实际问题很难用线性模型进行描述。神经网络的出现大大降低了模型建立的难度和工作量。只需将神经网络看成是一个黑箱子,根据输入与输出数据,神经网络依据相关的学习规则,便可以建立相应的数学模型。但是,当数学模型的输人自变量(即影响因素)很多,输人自变量之间不是相互独立时,利用神经网络容易出现过拟合现象,从而导致所建立的模型精度低,建模时间长等问题。因此,在建立模型之前,有必要对输入自变量进行优化选择,将冗余的一些自变量去掉,选择最能反映输入与输出关系的自变量参与建模。
2023-10-04 20:11:59
191KB
1
此工具箱是英国设菲尔德（Sheffield）大学编写的MATLAB遗传算法工具箱，是使用的最广泛的遗传工具箱之一。在《MATLAB 遗传算法工具箱及应用》作 者：雷英杰 出版社：西安电子科技大学出版社 这本书中重点介绍了此工具箱。
2023-07-01 19:32:51
2.74MB
1
基于matlab建模，本模型是通过遗传算法优化BP神经网络进行预测，最后输出进化过程图、预测效果对比图、误差图和RMSE、MAE、MAPE、R2等评价指标。可以结合自己的数据集运行，需要修改的地方均备注了，适合新手入门，包括main.m、BpFunction.m、Objfun.m三个.m文件。
本文件代码是基于【每行一个样本，每列一个特征】，如果数据集以列为样本请注意转置！运行前需安装matlab遗传算法工具箱。
2023-02-16 15:25:42
3KB
1
MATLAB遗传算法工具箱与应用雷英杰清晰版-复件 MATLAB遗传算法工具箱与应用[雷英杰].part01.rar
MATLAB遗传算法工具箱与应用[雷英杰]，gatbx工具箱
2023-02-09 14:24:37
1.91MB
1