遗传算法matlab程序

以下是一个简单的遗传算法的 MATLAB 程序示例：

% 定义问题的目标函数
function f = fitness(x)
    f = x^2 + 2*x + 1; % 例如，求解 f(x) = x^2 + 2x + 1 的最小值

% 遗传算法主程序
pop_size = 50; % 种群大小
num_gen = 100; % 迭代次数
pc = 0.8; % 交叉概率
pm = 0.01; % 变异概率
chrom_len = 20; % 染色体长度
lb = -10; % 变量下界
ub = 10; % 变量上界
pop = randi([0, 1], pop_size, chrom_len); % 初始化种群
best_fitness = Inf; % 最佳适应度初始化为无穷大
for i = 1:num_gen
    % 计算种群中每个个体的适应度
    fitnesses = arrayfun(@(j) fitness(bin2dec(num2str(pop(j, :)))), 1:pop_size);
    % 找出种群中适应度最好的个体
    [best_fit, best_idx] = min(fitnesses);
    % 更新最佳适应度和最佳个体
    if best_fit < best_fitness
        best_fitness = best_fit;
        best_individual = pop(best_idx, :);
    end
    % 选择操作
    selection_prob = fitnesses / sum(fitnesses);
    cum_prob = cumsum(selection_prob);
    new_pop = zeros(size(pop));
    for j = 1:pop_size
        r = rand();
        idx = find(cum_prob >= r, 1, 'first');
        new_pop(j, :) = pop(idx, :);
    end
    % 交叉操作
    for j = 1:pop_size/2
        if rand() < pc
            p1 = new_pop(j*2-1, :);
            p2 = new_pop(j*2, :);
            xover_pt = randi([1, chrom_len-1]);
            new_pop(j*2-1, :) = [p1(1:xover_pt) p2(xover_pt+1:end)];
            new_pop(j*2, :) = [p2(1:xover_pt) p1(xover_pt+1:end)];
        end
    end
    % 变异操作
    for j = 1:pop_size
        if rand() < pm
            idx = randi([1, chrom_len]);
            new_pop(j, idx) = 1 - new_pop(j, idx);
        end
    end
    % 更新种群
    pop = new_pop;
end
% 输出最优解和最优适应度
x_best = bin2dec(num2str(best_individual)) / (2^chrom_len-1) * (ub-lb) + lb;
fprintf('最优解为 x = %f，最优适应度为 %f\n', x_best, best_fitness);

请注意，这只是一个简单示例，实际上的遗传算法程序可能会更复杂。此外，还应该根据具体问题进行参数调整和优化。