matlab多变量遗传算法代码

以下是一个基本的 MATLAB 多变量遗传算法代码：

function [best_x, best_fitness] = ga_multivar(fitness_func, num_vars, lb, ub)

% fitness_func: 适应度函数句柄
% num_vars: 变量数
% lb: 每个变量的下界
% ub: 每个变量的上界

% GA 参数
pop_size = 50; % 种群大小
num_generations = 100; % 迭代次数
mutation_rate = 0.01; % 变异率
crossover_rate = 0.8; % 交叉率

% 初始化种群
pop = repmat(lb, pop_size, 1) + rand(pop_size, num_vars) .* repmat(ub-lb, pop_size, 1);

% 计算适应度
fitness = arrayfun(fitness_func, pop);

for gen = 1:num_generations
    % 选择
    [~, idx] = sort(fitness, 'descend');
    elite = pop(idx(1:5), :); % 保留前五个最优解
    selected = pop(randsample(pop_size, pop_size-5, true, fitness./sum(fitness)), :);
    
    % 交叉
    for i = 1:2:pop_size-5
        p1 = selected(i,:);
        p2 = selected(i+1,:);
        if rand() < crossover_rate
            mask = randi([0 1], 1, num_vars);
            c1 = mask .* p1 + (1-mask) .* p2;
            c2 = mask .* p2 + (1-mask) .* p1;
            selected(i,:) = c1;
            selected(i+1,:) = c2;
        end
    end
    
    % 变异
    mutation_mask = rand(pop_size-5, num_vars) < mutation_rate;
    mutation = rand(pop_size-5, num_vars) .* repmat(ub-lb, pop_size-5, 1);
    selected(mutation_mask) = selected(mutation_mask) + mutation(mutation_mask);
    
    % 更新种群
    pop = [elite; selected];
    fitness = arrayfun(fitness_func, pop);
end

% 返回最优解
[best_fitness, idx] = max(fitness);
best_x = pop(idx, :);

使用方法：

1. 定义适应度函数，例如：

function f = my_fitness(x)
f = -sum(x.^2); % 最大化函数值，因此加上负号

2. 调用 `ga_multivar` 函数，例如：

[best_x, best_fitness] = ga_multivar(@my_fitness, 2, [-10 -10], [10 10]);

这将使用 GA 求出对于函数 $f(x_1,x_2)=-x_1^2-x_2^2$ 的最大值（因此加上了负号）。变量 $x_1$ 和 $x_2$ 的范围为 $[-10,10]$。