遗传算法matlab代码

好的，以下是一个简单的遗传算法MATLAB代码示例，用于最小化函数$f(x)=x^2$：

function [x, fval] = genetic_algorithm()
    % 参数设置
    popSize = 100;          % 种群大小
    numGen = 100;           % 迭代次数
    pCrossover = 0.8;       % 交叉概率
    pMutation = 0.05;       % 变异概率
    lowerBound = -10;       % 变量下界
    upperBound = 10;        % 变量上界

    % 初始化种群
    pop = rand(popSize, 1) * (upperBound - lowerBound) + lowerBound;

    % 进化过程
    for i = 1:numGen
        % 评估适应度
        fitness = evaluate_fitness(pop);

        % 选择操作
        parents = selection(pop, fitness);

        % 交叉操作
        offspring = crossover(parents, pCrossover);

        % 变异操作
        offspring = mutation(offspring, pMutation, lowerBound, upperBound);

        % 更新种群
        pop = offspring;
    end

    % 返回最优解和最优函数值
    [fval, index] = min(evaluate_fitness(pop));
    x = pop(index);
end

% 评估适应度函数
function fitness = evaluate_fitness(pop)
    fitness = pop.^2;
end

% 选择操作函数
function parents = selection(pop, fitness)
    [~, index] = sort(fitness);
    parents = pop(index(1:2:end));
end

% 交叉操作函数
function offspring = crossover(parents, pCrossover)
    n = length(parents);
    offspring = zeros(n, 1);
    for i = 1:2:n
        if rand < pCrossover
            % 单点交叉
            crossoverPoint = randi(n-1);
            offspring(i) = [parents(i+1, 1:crossoverPoint); parents(i, crossoverPoint+1:end)];
            offspring(i+1) = [parents(i, 1:crossoverPoint); parents(i+1, crossoverPoint+1:end)];
        else
            offspring(i:i+1) = parents(i:i+1);
        end
    end
end

% 变异操作函数
function offspring = mutation(offspring, pMutation, lowerBound, upperBound)
    n = length(offspring);
    for i = 1:n
        if rand < pMutation
            % 随机重置
            offspring(i) = rand * (upperBound - lowerBound) + lowerBound;
        end
    end
end

这段代码实现了一个简单的遗传算法过程，包括初始化种群、评估适应度、选择操作、交叉操作和变异操作等。在评估适应度函数中，我们将适应度定义为每个个体的平方值；在选择操作中，我们采用了简单的轮盘赌选择算子；在交叉操作中，我们采用了单点交叉算子；在变异操作中，我们采用了随机重置算子。最后，我们返回最优解和最优函数值。

需要注意的是，这段代码中的遗传算法是一个非常简单的示例，仅用于演示遗传算法的基本流程。在实际应用中，我们需要根据具体问题进行适当的调整，并采用更加复杂的算子和策略，以获得更好的性能和效果。