matlab自带的ga算法创建种群改写

### 回答1：
matlab自带的ga算法是一种优化算法，用于解决复杂的优化问题。它通过创建一个初始种群，并使用遗传操作（如选择、交叉和变异）来逐步优化种群。然而，如果我们想要改写这个算法，我们可以考虑以下几个方面：

1. 种群初始化：可以根据具体问题的要求，设计更加智能的初始化方法。例如，可以根据问题的约束条件或者问题的特点，为初始种群中的个体赋予合适的初值。

2. 适应度函数：适应度函数是评估个体适应能力的标准。在改写过程中，我们可以根据问题的特点，设计更加准确的适应度函数。例如，对于某些问题，我们可能需要考虑多个目标函数，或者考虑非线性约束条件，可以相应地修改适应度函数来满足我们的需求。

3. 遗传操作：遗传操作包括选择、交叉和变异。我们可以根据问题的特点，在遗传操作中引入更多的策略。例如，在选择中，我们可以使用多种选择算子，如竞争性选择、锦标赛选择等；在交叉操作中，我们可以设计更加复杂的交叉方式，如多点交叉、均匀交叉等；在变异操作中，我们可以采用不同的变异策略，如高斯变异、均匀变异等。

4. 停止准则：在改写过程中，我们也可以修改停止准则来更好地适应问题。例如，可以根据适应度的收敛情况来决定算法是否继续迭代，或者在达到一定迭代次数后停止算法。

总之，通过改写matlab自带的ga算法，我们可以根据问题的特点和要求，设计更加智能和高效的优化算法，以更好地解决我们所面临的困难问题。

### 回答2：
matlab自带的遗传算法（GA）函数可以通过修改参数来改变创建种群的方式。

GA算法中，创建初始种群是算法的第一步。默认情况下，matlab的ga函数使用一个随机创建的二进制矩阵作为初始种群。每个二进制数表示染色体的一个基因位，1表示基因被选择，0表示未被选择。

想要改写创建种群的方法，可以使用ga函数的'InitialPopulation' 参数。此参数允许用户传入一个自定义的种群矩阵作为初始种群。用户可以根据自己的需求创建一个符合问题特点的初始种群。

例如，如果问题需要优化一个数值向量，可以将向量的不同元素作为初始种群的染色体。每个染色体对应一个个体，个体中的基因表示向量中的元素是否被选择。用户可以使用其它启发式算法或者问题特定的算法创建这样的初始种群。

另外，用户还可以使用'PopInitRange'参数来限定初始种群的生成范围。该参数允许用户制定每个基因的最小和最大值。这将有助于生成符合问题约束条件的初始种群。

总之，通过修改'InitialPopulation'和'PopInitRange'参数，我们可以改写matlab自带的GA算法函数对种群的创建方式，以适应不同的优化问题。