matlab有遗传算法工具箱。   

核心函数：  

(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数  【输出参数】  pop--生成的初始种群  【输入参数】  

num--种群中的个体数目  

bounds--代表变量的上下界的矩阵  eevalFN--适应度函数  

eevalOps--传递给适应度函数的参数  

options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如  precision--变量进行二进制编码时指定的精度  

F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度)   

(2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,...  termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数  【输出参数】  x--求得的最优解  endPop--最终得到的种群  bPop--最优种群的一个搜索轨迹  【输入参数】  

bounds--代表变量上下界的矩阵  evalFN--适应度函数  

evalOps--传递给适应度函数的参数  startPop-初始种群  

opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。如[1e-6 1 0]  

termFN--终止函数的名称,如[\'maxGenTerm\']  termOps--传递个终止函数的参数,如[100]  selectFN--选择函数的名称,如[\'normGeomSelect\']  selectOps--传递个选择函数的参数,如[0.08]  

xOverFNs--交叉函数名称表，以空格分开，如[\'arithXover heuristicXover simpleXover\']  xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0]  

mutFNs--变异函数表，如[\'boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation\']  mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]   

【注意】matlab工具箱函数必须放在工作目录下  

遗传算法实例1

【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9  

【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08  【程序清单】  %编写目标函数  

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

x=sol(1);  
eval=x+10*sin(5*x)+7*cos(4*x);  
%把上述函数存储为fitness.m文件并放在工作目录下   
initPop=initializega(10,[0 9],\'fitness\');%生成初始种群，大小为10  
[x endPop,bPop,trace]=ga([0 9],\'fitness\',[],initPop,[1e-6 1 1],\'maxGenTerm\',25,\'normGeomSelect\',...  [0.08],[\'arithXover\'],[2],\'nonUnifMutation\',[2 25 3]) %25次遗传迭代   
运算借过为：x =  
7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)   
注：遗传算法一般用来取得近似最优解，而不是最优解。  

   
遗传算法实例2   
【问题】在－5<=Xi<=5,i=1,2区间内，求解  
f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2)))+22.71282的最小值。  
【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3  【程序清单】  
％源函数的matlab代码  function [eval]=f(sol)  numv=size(sol,2);  x=sol(1:numv);  
eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282;  %适应度函数的matlab代码  
function [sol,eval]=fitness(sol,options)  numv=size(sol,2)-1;  x=sol(1:numv);  eval=f(x);  eval=-eval;  
%遗传算法的matlab代码  bounds=ones(2,1)*[-5 5];  
[p,endPop,bestSols,trace]=ga(bounds,\'fitness\')   
注：前两个文件存储为m文件并放在工作目录下，运行结果为  p =  
0.0000 -0.0000 0.0055     

大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：  
fplot(\'x+10*sin(5*x)+7*cos(4*x)\',[0,9])    
evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。