遗传算法中选择算子的问题clear all;close all;%ParametersSize=80; G=100; C

fit = @(x) x(1)^2 + x(2)^2 - 16*x(1)- 5*x(1)*x(2);
options = gaoptimset('Generations',100,'PopulationSize',20,...
'CrossoverFraction', 0.8, 'ParetoFraction', 0.5);
[x fval] = ga(fit,2,[1 1],20,[],[],[0;0],[20;10],[],options);
x
fval = -fval

交叉变异有很多不同的方法的 一般的你可以把上下两个在不同位置进行交换 变异可采用把某位代码变成一个随机数值

改lenchrom为[1 1 1 1],bound=[0 1750; 258 712; lb ub; LB UB],其中的ub UB,lb LB分别为新增个体的上下限

这个用标准粒子群算法就可以求解了,每个粒子由30维构成,每维代表xi；粒子的适应值用最优化的函数minf表示即可；初始化xi到-5.12到5.12之间.
用遗传算法你就用将实值问题转为离散问题,或者采用实值处理的遗传算法.

交叉概率最好不要设置为1,一般情况是0.0.95.
如果设置为1,那么每一个个体都要参与交叉,就很有可能会破坏优秀个体的结构,
从而失去某些优秀基因.

我理解的是,在50个人中,随机选择两组人,每组10个人,对于每组的10个人按适应度进行排列,选择两组中适应度最好的两个个体作为母代进行两两交叉；
然后再从剩下来的48个人中,随机选择两组人,每组10个人,对于每组的10个人按适应度进行排列,选择两组中适应度最好的两个个体作为母代进行两两交叉；
依此类推,知道你选出的母代个数满足你的要求,这里母代个数肯定是少于50的.

Hi我吧!

遗传算法中的选择、交叉和变异都是随机操作,而不是确定的精确规则.这说明遗传算法是采用随机方法进行最优解搜索,选择体现了向最优解迫近,交叉体现了最优解的产生,变异体现了全局最优解的复盖.

将下属两个目标函数分别保存在两个m文件中
function f1=func1(x) %第一目标函数
f1=x(:,1).*x(:,1)./4+x(:,2).*x(:,2)./4;
function f2=func2(x) %第二目标函数
f2=x(:,1).*(1-x(:,2))+10;
function GA()
clear;clc;close all
NIND=100; %个体数目
MAXGEN=50; %最大遗传代数
NVAR=2; %变量个数
PRECI=20; %变量的二进制位数
GGAP=0.9; %代沟
trace1=[];trace2=[];trace3=[]; %性能跟踪
%建立区域描述器
% rep([PRECI],[1,NVAR])
FieldD=[rep([PRECI],[1,NVAR]);rep([1;2],[1,NVAR]);rep([1;0;1;1],[1,NVAR])];
Chrom=crtbp(NIND,NVAR*PRECI); %初始种群
v=bs2rv(Chrom,FieldD) ; %初始种群十进制转换
gen=1;
while gen

如果用轮盘赌选择法,则待选择的个体选择概率之和一定是1；
如果是基于排序的选择,则不需要计算每个个体的选择概率,也就谈不上概率之和是不是1的说法.
我不知道你看的是什么资料,不同的资料对排序选择法的说明不同.一般情况下,排序不是根据个体在群体中的位置来确定什么复制概率的,而是根据每个个体的适应度好坏来排序的.

目标函数就是你希望得到的优化结果,比如函数最大值或者最小值.而适应度函数是为了计算个体的适配值.
适配值是非负的,而且要求适配值越大则该个体越优越.而目标函数则有正有负,它们之间关系多种多样,比如求最小值时,目标函数最小,则适配值越大,求最大值时目标值越大,适配值越大.

应该是你没有装遗传算法工具箱或是装的工具箱出问题了,自己检查一下,应该可以排除问题的,

/* This is a simple genetic algorithm implementation where thex05x05 */
/* evaluation function takes positive values only and thex05x05 */
/* fitness of an individual is the same as the value of thex05x05 */
/* objective functionx05x05x05x05x05x05x05 */
//
void main(void)
{
x05intx05i;
x05if ((galog = fopen("galog.txt","w"))==NULL)
x05{
x05x05exit(1);
x05}
x05generation = 0;
x05fprintf(galog,"n generation best average standard n");
x05fprintf(galog," number value fitness deviation n");
x05initialize();
x05evaluate();
x05keep_the_best();
x05while (generation < MAXGENS)
x05{
x05x05generation++;
x05x05select();
x05x05crossover();
x05x05mutate();
x05x05evaluate();
x05x05report();
x05x05//evaluate();
x05x05elitist();
x05}
x05fprintf(galog,"nn Simulation completedn");
x05fprintf(galog,"n Best member:n");
x05for (i = 0; i < NVARS; i++)
x05{
x05x05fprintf (galog,"n var(%d) = %3.6f",i,population[POPSIZE].gene[i]);
x05}
x05fprintf(galog,"nn Best fitness = %3.6f",population[POPSIZE].fitness);
x05fclose(galog);
x05printf("Successn");
}

会说不可以用其他算法了,遗传算法最精华就在于fitness,要是多目标优化也是把多个目标融合在一起 变成一个目标 然后再结合实际目标意义（越大越优,越小越优）进行计算fitness.至于优点,在大多数智能搜索算法里面,遗传算法的全局最优概率最大!

遗传算法适合求解离散问题,具备数学理论支持,但是存在着汉明悬崖等问题.
粒子群算法适合求解实数问题,算法简单,计算方便,求解速度快,但是存在着陷入局部最优等问题.
蚁群算法适合在图上搜索路径问题,计算开销会大.
要将三种算法进行混合,就要针对特定问题,然后融合其中的优势,比如将遗传算法中的变异算子加入粒子群中就可以形成基于变异的粒子群算法.

这些算法,如果需要搞透,数学知识越多越好.算法导论,随机过程,概率论,数理统计是基础,矩阵论也很重要.还有一个最重要的是有关优化方法的基本理论,很多的模式识别的问题,就是一个求最优解的问题.以前是有一本《计算方法》的书,里面就是用牛顿法等,来解线性方程之类,书很薄,如果搞懂了,很有启发作用.

粒子群算法（PSO）和遗传算法(GA)都是优化算法,都力图在自然特性的基础上模拟个体种群的适应性,它们都采用一定的变换规则通过搜索空间求解.
PSO和GA的相同点：
(1)都属于仿生算法.PSO主要模拟鸟类觅食、人类认知等社会行为而提出；GA主要借用生物进化中“适者生存”的规律.
(2)都属于全局优化方法.两种算法都是在解空间随机产生初始种群,因而算法在全局的解空间进行搜索,且将搜索重点集中在性能高的部分.
(3)都属于随机搜索算法.都是通过随机优化方法更新种群和搜索最优点.PSO中认知项和社会项前都加有随机数；而GA的遗传操作均属随机操作.
(4)都隐含并行性.搜索过程是从问题解的一个集合开始的,而不是从单个个体开始,具有隐含并行搜索特性,从而减小了陷入局部极小的可能性.并且由于这种并行性,易在并行计算机上实现,以提高算法性能和效率.
(5)根据个体的适配信息进行搜索,因此不受函数约束条件的限制,如连续性、可导性等.
(6)对高维复杂问题,往往会遇到早熟收敛和收敛性能差的缺点,都无法保证收敛到最优点.
PSO和GA不同点
(1)PSO有记忆,好的解的知识所有粒子都保存,而GA没有记忆,以前的知识随着种群的改变被破坏.
(2)在GA算法中,染色体之间相互共享信息,所以整个种群的移动是比较均匀地向最优区域移动.PSO中的粒子仅仅通过当前搜索到最优点进行共享信息,所以很大程度上这是一种单项信息共享机制,整个搜索更新过程是跟随当前最优解的过程.在大多数情况下,所有粒子可能比遗传算法中的进化个体以更快速度收敛于最优解.
(3)GA的编码技术和遗传操作比较简单,而PSO相对于GA,不需要编码,没有交叉和变异操作,粒子只是通过内部速度进行更新,因此原理更简单、参数更少、实现更容易.
(4)在收敛性方面,GA己经有了较成熟的收敛性分析方法,并且可对收敛速度进行估计；而PSO这方面的研究还比较薄弱.尽管已经有简化确定性版本的收敛性分析,但将确定性向随机性的转化尚需进一步研究.
(5)在应用方面,PSO算法主要应用于连续问题,包括神经网络训练和函数优化等,而GA除了连续问题之外,还可应用于离散问题,比如TSP问题、货郎担问题、工作车间调度等.

#include
using namespace std;
float transVaul(char *buf);
int main()
{
char buf[21] = "";
float arr[20] = { 0 };
cout

//void main(void){x05intx05i;x05if ((galog = fopen("galog.txt","w"))==NULL)x05{x05x05exit(1);x05}x05generation = 0;x05fprintf(galog,"n generation best average standard n");x05fprintf(galog...

应该是后者.
因为这是从120*101的染色体中任取一个染色体,那么就有0.01*120*101个.

选择操作是从初始群体(群体规模为N,即N个个体)或当代进化群体(群体规模为N)中选择N个个体,根据选择所采用的方法,劣质个体必然会被丢弃（未选择到）,而为了保证群体规模不变,优质个体就必然会被选到多次.
题中产生了4个[0,1]随机数,其中有两个随机数落在了4#区间内,其余两个随机数分别落在了1# 2#区间内.

是的.达到优化值可以停止,所以一般都有两个退出条件.

算子英文为operator,意思是“运算符”,加减乘除、与或非这些均属于运算符.
因此可以称选择算子为选择运算,即通过某种“公式”运算得出一个结果.
遗传算法是什么这个问题太广,你可以查阅相关资料.

难道你说的是真实的帕累托曲线（面）?如果是求目标函数的真实帕累托曲线（面）的话只能用数学方法求解.不太明白你的意思

说实话,这两种方法都是智能仿生算法,都比普通的算法要稍微复杂一些.我不知道你要解决什么寻优问题,但我推荐你还是用遗传算法吧.遗传算法应用比蚁群算法要广泛,了解的人也较多.蚁群算法更适合解决寻路问题、旅行商问题等.

#include "stdafx.h"
#include "stdio.h" //标准输入输出库
#include "stdlib.h" //标准函数库
#include "time.h"
#include "iostream.h"
#include "iomanip.h"
#include "math.h" //数学函数库
#define MAX 1 //设定求最大适应值
#define MIN 2
#define CHROMLENGTH 15 //染色体长度,注意编码变化时,要随时修改
#define MAXNUM 1000
#define Cmax 30 //估计最大值
#define Cmin 0 //估计最小值
int PopSize = 150; //每代最大个体数
int FunctionMode = MIN;
double m_fPc = 0.9; //交叉概率
double m_fPm = 0.009; //变异概率
int MaxGeneration = 20; //最大世代数
int d[150][15]; //找到染色体并拷贝到这个数组中
int s[150][15];
int generation; //世代数
int Best_Index; //最好个体下标
int Worst_Index; //最坏个体下标
struct individual //定义个体数据结构
{
double chrom[CHROMLENGTH+1]; //染色体
double value; //函数值
double fitness; //适应度
};
struct individual
BestIndividual; //当代最佳个体
struct individual
WorstIndividual;
struct individual
Group[150]; //种群
double Random(double Low, double High)//本函数实现随机产生Low-High之间的实数 .意思：随机
{
return((double)rand()/RAND_MAX)*(High-Low)+Low;
}
double Max(double a, double b)
{
if(a>=b) return a;
else return b;
}
void GenerateInitialPopulation()//种群初始化,二进制编码初始化其中'1'表示路径顶点在最短路径中,'0'则反之
{
int i,j;

for(i = 0; i < PopSize; i++)
{
for(j = 1; j < CHROMLENGTH-2; j++)
{
Group[i].chrom[j] = (int)(Random(1,10)

这四个都属于人工智能算法的范畴.其中BP算法、BP神经网络和神经网络
属于神经网络这个大类.遗传算法为进化算法这个大类.
神经网络模拟人类大脑神经计算过程,可以实现高度非线性的预测和计算,主要用于非线性拟合,识别,特点是需要“训练”,给一些输入,告诉他正确的输出.若干次后,再给新的输入,神经网络就能正确的预测对于的输出.神经网络广泛的运用在模式识别,故障诊断中.BP算法和BP神经网络是神经网络的改进版,修正了一些神经网络的缺点.
遗传算法属于进化算法,模拟大自然生物进化的过程：优胜略汰.个体不断进化,只有高质量的个体（目标函数最小（大））才能进入下一代的繁殖.如此往复,最终找到全局最优值.遗传算法能够很好的解决常规优化算法无法解决的高度非线性优化问题,广泛应用在各行各业中.差分进化,蚁群算法,粒子群算法等都属于进化算法,只是模拟的生物群体对象不一样而已.

如果变量取值为自然数,即不是连续取值,8位二进制够了,其实7位就行了.
如果变量不是取自然数,而是连续取值,8位二进制就少了,量化误差太大.
还有,变异概率貌似太大了点.

代沟是用于控制每代中种群被替换的比例,即每代有N*（1-G）个父代个体被选中进入下一代种群.G=50%意味着一半的种群将被置换.

神经网络的设计要用到遗传算法,遗传算法在神经网络中的应用主要反映在3个方面：网络的学习,网络的结构设计,网络的分析.
1．遗传算法在网络学习中的应用
在神经网络中,遗传算法可用于网络的学习.这时,它在两个方面起作用
(1)学习规则的优化
用遗传算法对神经网络学习规则实现自动优化,从而提高学习速率.
(2)网络权系数的优化
用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度.
2．遗传算法在网络设计中的应用
用遗传算法设计一个优秀的神经网络结构,首先是要解决网络结构的编码问题；然后才能以选择、交叉、变异操作得出最优结构.编码方法主要有下列3种：
(1)直接编码法
这是把神经网络结构直接用二进制串表示,在遗传算法中,“染色体”实质上和神经网络是一种映射关系.通过对“染色体”的优化就实现了对网络的优化.
(2)参数化编码法
参数化编码采用的编码较为抽象,编码包括网络层数、每层神经元数、各层互连方式等信息.一般对进化后的优化“染色体”进行分析,然后产生网络的结构.
(3)繁衍生长法
这种方法不是在“染色体”中直接编码神经网络的结构,而是把一些简单的生长语法规则编码入“染色体”中；然后,由遗传算法对这些生长语法规则不断进行改变,最后生成适合所解的问题的神经网络.这种方法与自然界生物地生长进化相一致.
3．遗传算法在网络分析中的应用
遗传算法可用于分析神经网络.神经网络由于有分布存储等特点,一般难以从其拓扑结构直接理解其功能.遗传算法可对神经网络进行功能分析,性质分析,状态分析.
遗传算法虽然可以在多种领域都有实际应用,并且也展示了它潜力和宽广前景；但是,遗传算法还有大量的问题需要研究,目前也还有各种不足.首先,在变量多,取值范围大或无给定范围时,收敛速度下降；其次,可找到最优解附近,但无法精确确定最扰解位置；最后,遗传算法的参数选择尚未有定量方法.对遗传算法,还需要进一步研究其数学基础理论；还需要在理论上证明它与其它优化技术的优劣及原因；还需研究硬件化的遗传算法；以及遗传算法的通用编程和形式等.

我觉得应该是对整个种群作变异处理
变异：
对群体P(t)中的每一个个体,以某一概率(称为变异概率)改变某一个或某一些基因座上的基因值为其他基因值

正常情况下,求最大值的,适应度要转化为越小越好,其中有一个方法就是在目标函数前加个负号.或者用1除.

我觉得这个问题主要难点在建立满足约束条件的初始种群,进化过程的编程很多地方都能找到.先建立一个Ax5的种群,A是种群里个体数量,然后对种群做一下处理：求出每个个体里面的x1到x5的和sum,再把1/sum分别乘以那一行的每个值并置换掉,假设只有一个个体,处理后的种群就是[x1/sum,x2/sum,x3/sum,x4/sum,x5/sum].也许还有其他办法,我就想到这个

启发式算法实际上就是针对具体问题,加入了人的经验的最优求解算法.不同的问题,有不同的启发规则.
遗传算法、粒子群算法这一类算法某种程度上可以归为启发式算法.因不同的问题,实现遗传算法和粒子群算法的方法与途径也会有所区别.

首先y=x*x在[0,31]这个函数的极值是取31的时候，用遗传算法来解答这样的问题是有点多余的。遗传算法的主要步骤是4步，初始化种群，选择，交叉，变异。这里说的淘汰函数，很可能就是在选择选择算子，这个算子是根据最适合最优先的算法来实现。举个简单的例子，你要用数字进行遗传算法，肯定得把他转化为2进制的染色体，【0-31】就是从00000-11111，每条染色体5个基因。对于选择运算来说，每次要从种...

你这种情况应该用实数编码（四个编码分别为a,b,c,d）,交叉计算的时候比如aba与bcd的子染色体为aca、bbd（在第二个基因为上交叉）.至于“使得子代染色体群平均适应度比初始染色体高”
的话就要看你的编码abcd分别代表什么意义了,根据适应度函数计算出父染色体和子染色体的适应度值,然后进行比较,如果子染色体适应度值比父染色体大则保留下来,否则淘汰掉.

叫做进化翻转操作
即变异算子直接对一个编码中随机挑选的某一位进行反转操作.

第一种是定值,一般而言,交叉概率在0.9-0.97之间任取,变异概率在0.1-0.001之间任取；
第二种是自适应取,按交叉或变异个体的适应度值以及当代的平均适应度值计算,每代的个体都不一样,相关公式可以查资料得到.

要来个对比么?
其中蚁群算法、遗传算法我比较熟悉,神经网络稍有了解,微分进化算法不熟悉.要说应用的难易程度,我排个序,由难到易依次为：神经网络->遗传算法->蚁群算法->微分进化.
具体实施时,除神经网络较复杂外,其他三种算法都还好.

最大进化代数就是设置的循环的次数
变异概率就是一个个体变成另一个个体的概率
自变量离散精度就是数值的精度的意思

避免陷入局部极值

变量二进制位数