matlAB 遗传算法流程代码示例两个变量

以下是适用于两个变量的MATLAB遗传算法代码示例，仍然以求解Rosenbrock函数为例：

%% 遗传算法示例
% 目标函数为 Rosenbrock 函数，两个变量

% 参数设置
pop_size = 50; % 种群大小
gene_num = 2; % 基因个数
max_gen = 100; % 迭代次数
pc = 0.7; % 交叉概率
pm = 0.1; % 变异概率

% 初始化种群
pop = rand(pop_size, gene_num) * 10 - 5;

% 迭代
for i = 1:max_gen
    % 计算适应度
    fitness = rosenbrock(pop);
    
    % 选择操作
    [pop_new, ~] = selection(pop, fitness);
    
    % 交叉操作
    pop_new = crossover(pop_new, pc);
    
    % 变异操作
    pop_new = mutation(pop_new, pm);
    
    % 合并种群
    pop = [pop; pop_new];
    
    % 选择前 pop_size 个个体作为新种群
    [~, idx] = sort(rosenbrock(pop));
    pop = pop(idx(1:pop_size), :);
end

% 返回最优解
[~, idx] = min(rosenbrock(pop));
x = pop(idx, :);

% Rosenbrock 函数
function y = rosenbrock(x)
    y = 100 * (x(:, 2) - x(:, 1).^2).^2 + (1 - x(:, 1)).^2;
end

% 选择操作
function [pop_new, idx] = selection(pop, fitness)
    [~, idx] = sort(fitness);
    idx = idx(end:-1:1);
    pop_new = pop(idx(1:end/2), :);
end

% 交叉操作
function pop_new = crossover(pop, pc)
    pop_new = [];
    for i = 1:2:size(pop, 1)-1
        if rand < pc
            k = randi(size(pop, 2)-1);
            pop_new = [pop_new; [pop(i, 1:k) pop(i+1, k+1:end)]];
            pop_new = [pop_new; [pop(i+1, 1:k) pop(i, k+1:end)]];
        else
            pop_new = [pop_new; pop(i, :); pop(i+1, :)];
        end
    end
end

% 变异操作
function pop_new = mutation(pop, pm)
    pop_new = pop + pm * randn(size(pop));
end

相比上一个示例，主要的区别在于目标函数的定义和适应度计算方式。在这个例子中，Rosenbrock函数只有两个变量，因此定义和计算方式有所不同。具体实现过程与上一个示例类似。