遗传算法优化数据拟合

你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、遗传算法优化数据拟合

遗传算法（GA）是一种经典的优化算法，其在matlab中编程较为简单。本文也参考了其他博客的写法。

二、使用步骤

代码如下（示例）：

%%基于遗传算法的多项式拟合
%%优化的目标为：y 误差             
%% GA  
x=linspace(0,4*pi,90); 
y=1+2*cos(x)+0.1*rand(size(x)); 
save tempdata.mat x y; 
%y=a+b*cos(x+c)
ObjectiveFunction = @simple_fitness; 
nvars = 3; % number of varibles
LB=[0.5 1 0]; % lower boundary
UB=[1.5 3 pi]; % upper boundary
ConstraintFunction = []; % constraints
rng default; % for reproducibality ?
[coeff,fval]=ga(ObjectiveFunction,nvars,...
    [],[],[],[],LB,UB,ConstraintFunction); 

yf=coeff(1)+coeff(2)*cos(x+coeff(3)); 

figure(1)
width=400;%宽度，像素数
height=250;%高度
left=200;%距屏幕左下角水平距离
bottem=100;%距屏幕左下角垂直距离
set(gcf,'position',[left,bottem,width,height])
plot(x,yf','-*','LineWidth',2)
%xlim([0 100]);
%  xlabel('故障宽度 e-3','FontSize',10.5);ylabel('幅值/(m/s^2)','FontSize',10.5)
% title('峰值');

function  y=simple_fitness(c)
load tempdata.mat x y; 
xx=x; 
yt=y; 
% fitting function
yf=c(1)+c(2)*cos(xx+c(3)); 
y=sum(abs(yf-yt))/length(yt); 
end

该处使用的url网络请求的数据。

---

# 总结
提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了pandas的使用，而pandas提供了大量能使我们快速便捷地处理数据的函数和方法。