遗传算法_理论、应用与软件实现_王小平_源代码

一种好的改进遗传算法function [opy,optimy]=GA(pt,gennum,psize)% 输入参数：% pt       m*n的加工时间矩阵（n是工件数目，m是机器数目）由已知给的T矩阵，可得n=100,m=10% gennum   迭代的次数（代数）% psize    种群的规模大小%输出参数：% opy       最优的Makespan值pc=0.9;%交叉因子pm=0.1;%变异因子[m,n]=size(pt);current_gen=1;%current_gen means the current generationnewgen=zeros(psize,n+1); %mewgen is the new generation of the populationnewgen(1:psize,1:n)=rand(psize,n);%主种群初始化，0-1之间的随机数 %Generalize the initial groupfather=zeros(2,n); %father is used to store the two genes for crossover and mutation avgen=zeros(1,gennum); %avgen is the matrix of the average of all the generationsoptimx=zeros(1,n);optimy=ones(1,gennum);%Generalize the initial groupfor i=1:psize    [Ya,pop(i,1:n)]=sort(newgen(i,1:n));%种群排序，实数编码转换为自然数编码 随机生成的0-1之间的小数进行排序然后取每个从小到大数对应的位置    newg

基于遗传群算法的PID控制器优化设计，通过对PID三个变量比例、积分和微分的参数寻优，得到最佳的三个参数，得到控制器最好输出曲线，其超调量最小，超调时间小。

用遗传算法实现TSP最短路寻优问题，遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择个体

求解方法简单明了，注释详细，易于理解

以某地区一部分土地利用现状为基本数据，通过设置目标函数和约束条件，使用遗传算法进行土地利用优化，实验表明优化效果优良。

神经网络的训练过程中，使用遗传算法来优化神经网络的权重，用于寻找全局最优权重

神经网络遗传算法函数极值寻优——非线性函数极值寻优

微电网是比较热门的话题，针对微电网越来越多的使用，人们开始探寻其最优经济控制，既要保证达到经济要求，也要能保证能在一定程度上实现排放污染气体量最小。

很详细的遗传算法使用和例子。 包括VS下单独的遗传算法库和vs下遗传算法库的使用demo。

此程序为2011年研究生数学建模试题的解答。程序中用到了Floyd算法，遗传算法，很好的解决了该问题。