第31卷(2003)第3期计算机与数字工程37MATLAB遗传算法工具箱的设计’谢勤岚陈红陶秋生(中南民族大学电子信息工程学院武汉430074)(武汉数字工程研究所武汉430074)摘要在简要分析遗传算法要素的基础上，介绍了基于MATLAB的遗传算法工具箱的设计。最后给出了一个用设计的MATLAB遗传算法工具箱的求函数极值的应用实例。关键词：遗传算法MATLAB函数优化中图法分类号：TP311DesignandApplicationofGeneticAlgorithmToolboxbased0nMATLABXieQhllanChenHong(CoNegeofElectronicandInformationEngineering，SCUFN，Wuhan430074)TaoQiusheng(WuhanD~talEngineeringInstitute，Wuhan430074)Abstract：Basedonthesimpleanalysisofgeneticalgorithm，thedesigningofaMATLAB—basedgeneticrithmtoolboxisintroduced．AnexampleusingthedesignedtolboxtOmaximizeafunctionisgivenatlast．Keywords：geneticalgorithms，MATLAB，functionoptimizingClassnumber：TP3ll言甲丰健符7一百占硒r卓一jlh遗传算法(geneticalgorithm，GA)是一类通用的优化算法，因此设计通用的遗传算法借鉴生物界自然选择和遗传机制的随机优化程序是可行的[-2，3-5】。搜索算法，其主要特点是群体搜索策略和群MATLAB可应用于高性能数字计算的体中个体之间的信息交换、搜索不依赖于梯工程计算环境，它将数值分析、矩阵计算和绘度信息。由于不受函数约束条件(如连接性、图集成在一个易于使用的环境中[4】。用户可微性、单极性)的限制，因而具有广泛的适定义函数是简单的解释结构的文本文件。因应能力。它尤其适用于处理传统搜索方法难此，用MATLAB设计遗传算法工具箱具有以解决的复杂和非线性问题，可广泛应用于简单、易用、易于修改的特点。机器学习、优化设计、自适应控制、规划设计我们设计的基于MATLAB的遗传算法·收到本文时间：2003年2月17日、MATLAB遗传算法工工具箱(GAToolboxbasedOI'1MATLAB)，构造合理，扩展方便，并能与MATLAB中的其它工具箱结合使用。为遗传算法的研究和应用提供了有力的工具。2遗传算法(GA)的四个关键部分遗传算法是一个以适应度函数(或目标函数)为依据，通过对群体中的个体施加遗传操作，实现群体内个体结构重组的迭代处理过程。图1是基本的遗传算法框图【1，3_。遗传算法一般由四个关键部分组成：编码机制、适应度函数、遗传算子、运行参数。图l遗传算法操作流程图2．1编码机制遗传算法不是对研究对象直接进行讨论，而是通过某种编码机制把对象统一赋予由特定符号(字母)按一定顺序排成的串，这种赋值过程就是编码。编码是影响遗传算法效率的重要因素。串的集合构成总体(群体)，个体(染色体)就是串。GA的码可以具有广泛的含义。在优化问题中，一个串对应于一个可能解；在分类问题中，串可解释为一个规则，即串的前半部为输入或前件，后半部为输出或后件、结论，等等。这也正是GA有广泛应用的重要原因。第31~(2003)第3期计算机与数字工程39计算效率。经典的选择复制算子是采用轮赌箱中的其它函数调用的函数；另一类是供使法复制算子，此外还有排序选择、随机选择、用者调用的函数，这些函数必须有调用格式期望值模型选择等复制算子。和参数说明。同时，工具箱还要提供使用说2．4运行参数明、要求使用者编写的函数的编写和调用格遗传算法中需要选择的运行参数包括种式。群的大小、个体编码串长度、交叉率、变异率、在遗传算法程序中，染色体的数据结构、最大进化代数等，这些参数对遗传算法的性对应的交叉和变异算子、复制算子、代沟与具能都有重要影响。对于具体问题而言，衡量体问题无关，编写的遗传算法工具包提供了参数设置恰当与否，要根据多次运行的收敛对上述要素的支持。这些与图2的虚线上部情况和解的质量来判断。如果调整参数难以相对应。对与具体问题相关的适应度函数和有效地提高遗传算法的性能，则往往需要借终止条件，在遗传算法工具包中给出了对应助对基本遗传算法的改进，改进的手段可以函数的编写和调用格式。遗传算