遗传算法代码
遗传算法第四章交叉代码
遗传算法为了增加实用性，直接使用代码进行讲解；通过前面两章，我们知道交叉的方式有：单点交叉、多点交叉、均匀交叉、算术交叉、部分映射交叉【private List<Integer> singlePointCrossover(List<Integer> parent1, List<Integer> parent2) {// 单点交叉int startPos = random.nextInt(parent1.size());int endPos = random.nextInt(parent1.size());if (startPos > endPos) {int temp = startPos;startPos = endPos;endPos = temp;}List<Integer> child = new ArrayList<>(Collections.nCopies(parent1.size(), -1));for (int i = startPos; i <= endPos; i++) {int gene = parent1.get(i);child.set(i, gene);}for (int i = 0; i < parent2.size(); i++) {int gene = parent2.get(i);if (!child.contains(gene)) {for (int j = 0; j < child.size(); j++) {if (child.get(j) == -1) {child.set(j, gene);break;}}}}return child;}// 交叉操作（多点交叉）private List<Integer> multiPointCrossover(List<Integer> parent1, List<Integer> parent2) {int startPos = random.nextInt(parent1.size());int endPos = random.nextInt(parent1.size());if (startPos > endPos) {int temp = startPos;startPos = endPos;endPos = temp;}List<Integer> child = new ArrayList<>(parent1.subList(startPos, endPos));for (Integer gene : parent2) {if (!child.contains(gene)) {int insertionIndex = random.nextInt(child.size() + 1);child.add(insertionIndex, gene);}}return child;}// 交叉操作（均匀交叉）private List<Integer> uniformCrossover(List<Integer> parent1, List<Integer> parent2) { List<Integer> child = new ArrayList<>();for (int i = 0; i < parent1.size(); i++) {if (random.nextBoolean()) {child.add(parent1.get(i));} else {child.add(parent2.get(i));}}return child;}// 交叉操作（算术交叉）private List<Integer> arithmeticCrossover(List<Integer> parent1, List<Integer> parent2) {List<Integer> child = new ArrayList<>();for (int i = 0; i < parent1.size(); i++) {int gene1 = parent1.get(i);int gene2 = parent2.get(i);child.add((gene1 + gene2) / 2);}return child;}// 交叉操作（部分映射交叉）private List<Integer> partiallyMappedCrossover(List<Integer> parent1, List<Integer> parent2) {int startPos = random.nextInt(parent1.size());int endPos = random.nextInt(parent1.size());if (startPos > endPos) {int temp = startPos;startPos = endPos;endPos = temp;}List<Integer> child = new ArrayList<>(Collections.nCopies(parent1.size(), -1));for (int i = startPos; i <= endPos; i++) {int gene = parent1.get(i);child.set(i, gene);}for (int i = startPos; i <= endPos; i++) {int gene = parent2.get(i);int index = parent2.indexOf(gene);while (child.get(index) != -1) {gene = parent2.get(index);index = parent2.indexOf(gene);}child.set(index, parent2.get(i));}for (int i = 0; i < parent1.size(); i++) {if (child.get(i) == -1) {child.set(i, parent2.get(i));}}return child;}】。
遗传算法代码python
遗传算法代码python一、简介遗传算法是一种通过模拟自然选择和遗传学原理来寻找最优解的优化算法。
它广泛应用于各种领域，包括优化问题、搜索和机器学习等。
二、代码概述以下是一个简单的遗传算法的Python代码示例，用于解决简单的优化问题。
该算法使用一个简单的二进制编码方式，并使用适应度函数来评估每个个体的适应度。
三、代码实现```pythonimportnumpyasnp#遗传算法参数POPULATION_SIZE=100#种群规模CROSSOVER_RATE=0.8#交叉概率MUTATION_RATE=0.1#变异概率MAX_GENERATIONS=100#最大迭代次数#适应度函数deffitness(individual):#在这里定义适应度函数，评估每个个体的适应度#这里简单地返回个体值的平方，可以根据实际问题进行调整returnnp.sum(individual**2)#初始种群生成pop=np.random.randint(2,size=(POPULATION_SIZE,))#迭代过程forgenerationinrange(MAX_GENERATIONS):#评估种群中每个个体的适应度fitness_values=np.apply_along_axis(fitness,1,pop)#选择种群selected_idx=np.random.choice(np.arange(POPULATION_SIZE), size=POPULATION_SIZE,replace=True,p=fitness_values/fitness_va lues.sum())selected_pop=pop[selected_idx]#交叉操作ifCROSSOVER_RATE>np.random.rand():cross_points=np.random.rand(POPULATION_SIZE,2)<0.5#随机选择交叉点cross_pop=np.array([np.hstack((individual[cross_points[i, 0]:cross_points[i,1]]+individual[cross_points[i,1]:],other))f ori,otherinenumerate(selected_pop)]).T#合并个体并随机交叉得到新的个体cross_pop=cross_pop[cross_points]#将交叉后的个体重新排列成原始种群大小selected_pop=np.vstack((selected_pop,cross_pop))#将新个体加入种群中#变异操作ifMUTATION_RATE>np.random.rand():mutated_pop=selected_pop+np.random.randn(POPULATION_SIZE, 1)*np.sqrt(np.log(POPULATION_SIZE))*(selected_pop!=pop).astyp e(np.float)#根据变异概率对个体进行变异操作，得到新的个体种群mutated_pop=mutated_pop[mutated_pop!=0]#将二进制种群中值为0的个体去掉，因为这些个体是随机的二进制串，不是解的一部分，不应该参与变异操作selected_pop=mutated_pop[:POPULATION_SIZE]#将新种群中除最后一个以外的部分加入原始种群中（即新的种群被排除了适应度最差的个体）#选择当前最好的个体（用于更新最优解）best_idx=np.argmax(fitness_values)best_solution=selected_pop[best_idx]print(f"Generation{generation}:Bestsolution:{best_solutio n}")```四、使用示例假设要解决一个简单的优化问题：求一个一维函数的最小值。
遗传算法解释及代码(一看就懂)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
个体：组成种群的单个生物。
基因 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。
适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。
那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。
这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码：需要将问题的解编码成字符串的形式才能使用遗传算法。
遗传算法解释及代码(一看就懂)【精品毕业设计】(完整版)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
个体：组成种群的单个生物。
基因 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。
适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。
那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。
这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码：需要将问题的解编码成字符串的形式才能使用遗传算法。
遗传算法MATLAB完整代码（不用工具箱）
遗传算法MATLAB完整代码（不用工具箱）遗传算法解决简单问题%主程序：用遗传算法求解y=200*exp(-0.05*x).*sin(x)在区间[-2,2]上的最大值clc;clear all;close all;global BitLengthglobal boundsbeginglobal boundsendbounds=[-2,2];precision=0.0001;boundsbegin=bounds(:,1);boundsend=bounds(:,2);%计算如果满足求解精度至少需要多长的染色体BitLength=ceil(log2((boundsend-boundsbegin)'./precision));popsize=50; %初始种群大小Generationmax=12; %最大代数pcrossover=0.90; %交配概率pmutation=0.09; %变异概率%产生初始种群population=round(rand(popsize,BitLength));%计算适应度，返回适应度Fitvalue和累计概率cumsump[Fitvalue,cumsump]=fitnessfun(population);Generation=1;while Generation<generationmax+1< p="">for j=1:2:popsize%选择操作seln=selection(population,cumsump);%交叉操作scro=crossover(population,seln,pcrossover);scnew(j,:)=scro(1,:);scnew(j+1,:)=scro(2,:);%变异操作smnew(j,:)=mutation(scnew(j,:),pmutation);smnew(j+1,:)=mutation(scnew(j+1,:),pmutation);endpopulation=scnew; %产生了新的种群%计算新种群的适应度[Fitvalue,cumsump]=fitnessfun(population);%记录当前代最好的适应度和平均适应度[fmax,nmax]=max(Fitvalue);fmean=mean(Fitvalue);ymax(Generation)=fmax;ymean(Generation)=fmean;%记录当前代的最佳染色体个体x=transform2to10(population(nmax,:));%自变量取值范围是[-2,2],需要把经过遗传运算的最佳染色体整合到[-2,2]区间xx=boundsbegin+x*(boundsend-boundsbegin)/(power((boundsend),BitLength)-1);xmax(Generation)=xx;Generation=Generation+1;endGeneration=Generation-1;Bestpopulation=xx;Besttargetfunvalue=targetfun(xx);%绘制经过遗传运算后的适应度曲线。
遗传算法解释及代码(一看就懂)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面内容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
个体：组成种群的单个生物。
基因 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。
适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。
那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。
这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码：需要将问题的解编码成字符串的形式才能使用遗传算法。
(完整版)遗传算法c语言代码
srand((unsigned)time(NULL));
for(i=0;i<num;i++)
{
bianyip[i]=(rand()%100);
bianyip[i]/=100;
}
//确定可以变异的染色体
t=0;
for(i=0;i<num;i++)
{
if(bianyip[i]<pm)
printf("\n******************是否想再一次计算(y or n)***********************\n");
fflush(stdin);
scanf("%c",&choice);
}while(choice=='y');
return 0;
}
{
flag=0;
break;
}
}
if(flag)
{
group[i].city[j]=t;
j++;
}
}
}
printf("************初始种群如下****************\n");
for(i=0;i<num;i++)
{
for(j=0;j<cities;j++)
printf("%4d",group[i].city[j]);
{
group[i].p=1-(double)group[i].adapt/(double)biggestsum;
biggestp+=group[i].p;
遗传算法编码
遗传算法编码1. 引言遗传算法编码是遗传算法的重要组成部分，它决定了问题的解空间以及遗传算法的搜索能力。
本文将深入探讨遗传算法编码的原理、常用编码方式以及编码的优化方法。
2. 遗传算法概述遗传算法是一种模拟自然选择和遗传机制的搜索算法，它通过模拟生物进化的过程来寻找最优解。
遗传算法包含三个基本操作：选择、交叉和变异。
而编码是其中非常重要的一步，它将问题的解空间映射到遗传算法的搜索空间。
3. 二进制编码二进制编码是遗传算法中最常用的编码方式之一。
它将问题的解表示为一个二进制串，每个基因位上的0或1代表了一种取值。
例如，对于一个长度为10的二进制串，可以表示从0到1023的整数。
二进制编码的优点是简单、易于实现，但对于连续型问题的表示能力较弱。
3.1 基本二进制编码基本二进制编码将问题的解空间均匀划分为若干个区间，每个区间对应一个二进制码。
通过二进制码的变换和操作，可以实现选择、交叉和变异等基本操作。
但基本二进制编码的缺点是解空间的粒度较大，可能导致搜索效率低下。
3.2 Gray编码Gray编码是一种改进的二进制编码方式，它通过保证相邻两个码之间只有一个位的变化，减小了解空间的粒度。
Gray编码在交叉和变异操作中具有更好的性质，能够减小搜索空间的距离。
因此，Gray编码常用于需要高精度的遗传算法问题中。
4. 实数编码实数编码是另一种常用的遗传算法编码方式，它将问题的解表示为一个实数。
实数编码的优点是对连续型问题的表示能力较强，可以更精确地描述解空间。
但相比于二进制编码，实数编码的实现较为复杂。
4.1 浮点数编码浮点数编码是实数编码的一种常见形式。
它将问题的解表示为一个浮点数，通过确定小数点位置和精度来描述解的取值范围。
浮点数编码适用于解空间较大且精度要求一般的问题。
4.2 实数编码实数编码是一种更为灵活的编码方式，它将问题的解表示为一个实数，可以包含任意精度的小数部分。
实数编码适用于解空间较小且精度要求较高的问题。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
%求下列函数的最大值%%f(x)=10*sin(5x)+7*cos(4x)x∈[0,10]%%将x的值用一个10位的二值形式表示为二值问题，一个10位的二值数提供的分辨率是每为(10-0)/(2^10-1)≈0.01。
%%将变量域[0,10]离散化为二值域[0,1023],x=0+10*b/1023,其中b是[0,1023]中的一个二值数。
%2.1初始化(编码)%initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，%长度大小取决于变量的二进制编码的长度(在本例中取10位)。
%遗传算法子程序%Name:initpop.m%初始化function pop=initpop(popsize,chromlength)pop=round(rand(popsize,chromlength));%rand随机产生每个单元为{0,1}行数为popsize，列数为chromlength的矩阵，%roud对矩阵的每个单元进行圆整。
这样产生的初始种群。
%2.2计算目标函数值%2.2.1将二进制数转化为十进制数(1)%遗传算法子程序%Name:decodebinary.m%产生[2^n2^(n-1)...1]的行向量，然后求和，将二进制转化为十进制function pop2=decodebinary(pop)[px,py]=size(pop);%求pop行和列数for i=1:pypop1(:,i)=2.^(py-i).*pop(:,i);endpop2=sum(pop1,2);%求pop1的每行之和%2.2.2将二进制编码转化为十进制数(2)%decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置%(对于多个变量而言，如有两个变量，采用20为表示，每个变量10为，则第一个变量从1开始，另一个变量从11开始。
本例为1)，%参数1ength表示所截取的长度（本例为10）。
%遗传算法子程序%Name:decodechrom.m%将二进制编码转换成十进制function pop2=decodechrom(pop,spoint,length)pop1=pop(:,spoint:spoint+length-1);pop2=decodebinary(pop1);%2.2.3计算目标函数值%calobjvalue.m函数的功能是实现目标函数的计算，其公式采用本文示例仿真，可根据不同优化问题予以修改。
%遗传算法子程序%Name:calobjvalue.m%实现目标函数的计算function[objvalue]=calobjvalue(pop)temp1=decodechrom(pop,1,10);%将pop每行转化成十进制数x=temp1*10/1023;%将二值域中的数转化为变量域的数objvalue=10*sin(5*x)+7*cos(4*x);%计算目标函数值%2.3计算个体的适应值%遗传算法子程序%Name:calfitvalue.m%计算个体的适应值function fitvalue=calfitvalue(objvalue)global Cmin;Cmin=0;[px,py]=size(objvalue);for i=1:pxif objvalue(i)+Cmin>0temp=Cmin+objvalue(i);elsetemp=0.0;endfitvalue(i)=temp;endfitvalue=fitvalue';%2.4选择复制%选择或复制操作是决定哪些个体可以进入下一代。
程序中采用赌轮盘选择法选择，这种方法较易实现。
%根据方程pi=fi/∑fi=fi/fsum，选择步骤：%1）在第t代，由（1）式计算fsum和pi%2）产生{0,1}的随机数rand(.)，求s=rand(.)*fsum%3）求∑fi≥s中最小的k，则第k个个体被选中%4）进行N次2）、3）操作，得到N个个体，成为第t=t+1代种群%遗传算法子程序%Name:selection.m%选择复制function[newpop]=selection(pop,fitvalue)totalfit=sum(fitvalue);%求适应值之和fitvalue=fitvalue/totalfit;%单个个体被选择的概率fitvalue=cumsum(fitvalue);%如fitvalue=[1234]，则cumsum(fitvalue)=[1 3610][px,py]=size(pop);ms=sort(rand(px,1));%从小到大排列fitin=1;newin=1;while newin<=pxif(ms(newin))<fitvalue(fitin)newpop(newin)=pop(fitin);newin=newin+1;elsefitin=fitin+1;endend%2.5交叉%交叉(crossover)，群体中的每个个体之间都以一定的概率pc交叉，即两个个体从各自字符串的某一位置%（一般是随机确定）开始互相交换，这类似生物进化过程中的基因分裂与重组。
例如，假设2个父代个体x1，x2为：%x1=0100110%x2=1010001%从每个个体的第3位开始交叉，交又后得到2个新的子代个体y1，y2分别为：%y1＝0100001%y2＝1010110%这样2个子代个体就分别具有了2个父代个体的某些特征。
利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。
%事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。
%遗传算法子程序%Name:crossover.m%交叉function[newpop]=crossover(pop,pc)[px,py]=size(pop);newpop=ones(size(pop));for i=1:2:px-1if(rand<pc)cpoint=round(rand*py);newpop(i,:)=[pop(i,1:cpoint),pop(i+1,cpoint+1:py)];newpop(i+1,:)=[pop(i+1,1:cpoint),pop(i,cpoint+1:py)];elsenewpop(i,:)=pop(i);newpop(i+1,:)=pop(i+1);endend%2.6变异%变异(mutation)，基因的突变普遍存在于生物的进化过程中。
变异是指父代中的每个个体的每一位都以概率pm翻转，即由“1”变为“0”，%或由“0”变为“1”。
遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。
%遗传算法子程序%Name:mutation.m%变异function[newpop]=mutation(pop,pm)[px,py]=size(pop);newpop=ones(size(pop));for i=1:pxif(rand<pm)mpoint=round(rand*py);if mpoint<=0mpoint=1;endnewpop(i)=pop(i);if any(newpop(i,mpoint))==0newpop(i,mpoint)=1;elsenewpop(i,mpoint)=0;endelsenewpop(i)=pop(i);endend%2.7求出群体中最大得适应值及其个体%遗传算法子程序%Name:best.m%求出群体中适应值最大的值function[bestindividual,bestfit]=best(pop,fitvalue)[px,py]=size(pop);bestindividual=pop(1,:);bestfit=fitvalue(1);for i=2:pxif fitvalue(i)>bestfitbestindividual=pop(i,:);bestfit=fitvalue(i);endend%2.8主程序%遗传算法主程序%Name:genmain05.mclearclfpopsize=20;%群体大小chromlength=10;%字符串长度（个体长度）pc=0.6;%交叉概率pm=0.001;%变异概率pop=initpop(popsize,chromlength);%随机产生初始群体for i=1:20%20为迭代次数[objvalue]=calobjvalue(pop);%计算目标函数fitvalue=calfitvalue(objvalue);%计算群体中每个个体的适应度[newpop]=selection(pop,fitvalue);%复制[newpop]=crossover(pop,pc);%交叉[newpop]=mutation(pop,pc);%变异[bestindividual,bestfit]=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值y(i)=max(bestfit);n(i)=i;pop5=bestindividual;x(i)=decodechrom(pop5,1,chromlength)*10/1023;pop=newpop;endfplot('10*sin(5*x)+7*cos(4*x)',[010])hold onplot(x,y,'r*')hold off[z index]=max(y);%计算最大值及其位置x5=x(index)%计算最大值对应的x值y=z【问题】求f(x)=x10*sin(5x)7*cos(4x)的最大值，其中0<=x<=9【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08【程序清单】%编写目标函数function[sol,eval]=fitness(sol,options)x=sol(1);eval=x10*sin(5*x)7*cos(4*x);%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega(10,[09],'fitness');%生成初始种群，大小为10[x endPop,bPop,trace]=ga([09],'fitness',[],initPop,[1e-611],'maxGenTer m',25,'normGeomSelect',...[0.08],['arithXover'],[2],'nonUnifMutation',[2253])%25次遗传迭代运算借过为：x=7.856224.8553(当x为7.8562时，f（x）取最大值24.8553)注：遗传算法一般用来取得近似最优解，而不是最优解。