主要内容
遗传算法的自定义输出功能
此示例显示在遗传算法求解器中使用自定义输出功能GA.。自定义输出函数执行以下任务：
将群体的前两个组成部分的范围绘制为矩形。矩形的左侧和下侧是最小的
x（1）和x（2）分别，右侧和上侧处于相应的最大值。当最佳功能值下降下降时停止迭代
0.1（目标函数的最小值是0.）。记录命名的变量中的整个人口
GapopulationHistory.每10代Matlab®工作区中。将初始交叉分数修改为自定义值
0.2，然后将其更新回默认值0.825代后。初始设置0.2使得第一个迭代主要通过突变进行随机搜索。后来的设置0.8导致以下迭代主要通过现有人口成员的组合搜索。
目标函数
目标函数用于四维X谁的前两个组件是整数值。
功能f = gaintobj（x）f = restriginsfcn（[x（1）-6 x（2）-13]）;f = f + restriginsfcn（[x（3）-3 * pi x（4）-5 * pi]）;
输出功能
自定义输出函数在初始化期间设置绘图，并在迭代期间维护绘图。输出功能也暂停了迭代0.1s.所以你可以看到它的剧情。
功能[状态，选项，OptChanged] = Gaoutfun（选项，状态，标志）执着的H1历史R OPTCHANGED = FALSE;转变旗帜案件'在里面'H1 =数字;斧头= GCA;ax.xlim = [021];ax.ylim = [021];l1 = min（state.population（：，1））;m1 = max（state.population（：，1））;l2 = min（state.population（:,2））;m2 = max（state.population（:,2））;r =矩形（斧头，'位置'，[L1 L2 M1-L1 M2-L2]）;历史（：，：，1）= state.population;Assivein（'根据'那'gapopulationhistory'，历史）;案件'iter'％每10代更新历史记录。如果REM（state.generation，10）== 0 ss =大小（历史，3）;历史（：，：，ss + 1）= state.population;Assivein（'根据'那'gapopulationhistory'，历史）;结尾％找到最佳的客观函数，如果它很低，则停止。ibest = state.best（结束）;ibest = find（state.score == ibest，1，'最后的'）;bestx = state.population（ibest，:);bestf = gaintobj（bestx）;如果bestf <= 0.1 state.stopflag ='是';DISP（'得到0.1'）结尾％更新绘图。图（h1）l1 = min（state.population（：，1））;m1 = max（state.population（：，1））;l2 = min（state.population（:,2））;m2 = max（state.population（:,2））;R.Position = [L1 L2 M1-L1 M2-L2];暂停（0.1）％在25代后更新突变和交叉的分数。如果State.generation == 25选项.CrossoverFraction = 0.8;OptChanged = True;结尾案件'完毕'％包括历史上的最终群体。SS =大小（历史，3）;历史（：，：，ss + 1）= state.population;Assivein（'根据'那'gapopulationhistory'，历史）;结尾
问题设置和解决方案
设置较低和上限。
lb = [1 1 1 -30 -30];UB = [20 20 70 70];
设置整数变量和变量数。
Intcon = [1 2];nvar = 4;
设置选项以调用自定义输出函数，最初有很少的交叉。
选项= Optimoptions（'Ga'那'outputfcn'，@ gaoutfun，'Crossoprofaction'，0.2）;
为了再现性，请设置随机数发生器。
RNG（10）
设置目标函数并调用求解器。
有趣= @gaintobj;[，fval] = ga（fun，nvar，[]，[]，[]，[]，LB，UB，[]，INTCON，选项）
得到0.1优化终止：Y X = 6.0000 13.0000 9.4217 15.7016 FVAL = 0.0098
输出函数停止了求解器。
查看录制的历史记录的大小。
DISP（尺寸（差距））
40 4 7.
40×4种群矩阵有七个记录（40个个人，每个4元素行向量）。
相关话题
您还可以从以下列表中选择一个网站：
