基于模拟退火的遗传算法，matlab代码

以下是基于模拟退火的遗传算法的Matlab代码：

% 遗传算法求解函数
function [x, fval] = GA_SA(func, lb, ub, popsize, gensize, p_mutate, p_crossover, T_init, T_final, alpha)
% 参数说明：
% func：目标函数句柄
% lb：自变量下界向量
% ub：自变量上界向量
% popsize：种群大小
% gensize：进化代数
% p_mutate：变异概率
% p_crossover：交叉概率
% T_init：初始温度
% T_final：终止温度
% alpha：降温系数

% 初始化种群
pop = rand(popsize, length(lb)) .* (ub - lb) + lb;

% 计算初始适应度
fit = feval(func, pop);

% 初始化温度
T = T_init;

% 进化代数迭代
for i = 1:gensize
    % 选择
    % 采用轮盘赌选择
    p = fit ./ sum(fit);
    cum_p = cumsum(p);
    new_pop = zeros(size(pop));
    for j = 1:popsize
        r = rand();
        idx = find(cum_p >= r, 1);
        new_pop(j, :) = pop(idx, :);
    end
    
    % 变异
    for j = 1:popsize
        if rand() < p_mutate
            % 随机选取一个自变量进行变异
            idx = randi(length(lb));
            new_pop(j, idx) = rand() * (ub(idx) - lb(idx)) + lb(idx);
        end
    end
    
    % 交叉
    for j = 1:popsize
        if rand() < p_crossover
            % 随机选取另一个个体进行交叉
            idx = randi(popsize);
            % 随机选取交叉点
            cross_idx = randi(length(lb) - 1) + 1;
            new_pop(j, cross_idx:end) = pop(idx, cross_idx:end);
        end
    end
    
    % 计算新种群的适应度
    new_fit = feval(func, new_pop);
    
    % 计算适应度差
    delta = new_fit - fit;
    
    % 根据Metropolis准则接受或拒绝新种群
    for j = 1:popsize
        if delta(j) < 0
            % 接受新种群
            pop(j, :) = new_pop(j, :);
            fit(j) = new_fit(j);
        else
            % 按一定概率接受新种群
            if rand() < exp(-delta(j) / T)
                pop(j, :) = new_pop(j, :);
                fit(j) = new_fit(j);
            end
        end
    end
    
    % 降温
    T = alpha * T;
end

% 返回最优解和最优适应度
[fval, idx] = min(fit);
x = pop(idx, :);

使用示例：

% 目标函数，求解最小值
func = @(x) sin(x(1)) + cos(x(2));

% 自变量下界和上界
lb = [-pi, -pi];
ub = [pi, pi];

% 种群大小
popsize = 50;

% 进化代数
gensize = 100;

% 变异概率
p_mutate = 0.1;

% 交叉概率
p_crossover = 0.8;

% 初始温度
T_init = 100;

% 终止温度
T_final = 1e-8;

% 降温系数
alpha = 0.99;

% 调用遗传算法求解函数
[x, fval] = GA_SA(func, lb, ub, popsize, gensize, p_mutate, p_crossover, T_init, T_final, alpha);

% 输出结果
disp(['最优解：', num2str(x)]);
disp(['最优适应度：', num2str(fval)]);