matlab遗传算法工具箱源代码学习

首先使用 open ga命令打开遗传算法源代码，依次顺序阅读

defaultopt结构体给出了默认设置的代码m文件名称，可以查看默认的选择函数selectionstochunif（随机均匀选择），默认的交叉函数crossoverscattered（散点随机）等等

文件的最后给出了调用的主体函数gaunc，进入这个函数后可以看到一个和种群数目有关的for循环

for pop = 1:length(totalPop)，

在循环中找到主要的函数：stepGA，进入这个函数

到这里就比较清楚了，可以看到遗传算法各个组成部分的数目，精英数目nEliteKids，用于产生交叉的2 * nXoverKids，用于产生变异的nMutateKids

nEliteKids = options.EliteCount;

nXoverKids = round(options.CrossoverFraction * (size(thisPopulation,1) - nEliteKids));

nMutateKids = size(thisPopulation,1) - nEliteKids - nXoverKids;

nParents = 2 * nXoverKids + nMutateKids;

可以看到用于交叉的父代数目是2倍的nXoverKids

parents(1:(2 * nXoverKids))

也可以看到下一代的组成

nextPopulation = [ eliteKids ; xoverKids ; mutateKids ];

同时通过打断点可以具体看数值；通过之前预设的交叉函数代码等可以看具体交叉函数如何实现。比如可以看到随机均匀选择函数内部是按步长逐步前进，总共2 * nXoverKids步，这样交叉后的子代就是nXoverKids个子代。通过源代码就看出来了随机均匀和轮盘赌的区别，其实二者都是类似的，都存在一个和适应度成比例的轮盘/线，只不过一个是按步长均匀前进，一个是不断的摇轮盘。其核心思路都蕴含了被选择概率与适应度成比例的思想，都有可能多次选中同一父辈。

具体各个选择/交叉/突变的函数名称可以通过help ga，然后在input arguments的options选项中找到

比如双点交叉函数crossovertwopoint

PS:

一些debug的小tips

1. 遗传算法处理不了复数，复数无法比大小，因此ga的原理无非实现，尽管理论上正定矩阵二次型结果为实数，目标函数一定要加一个real函数把虚部去掉

2.ga为最小化函数，如果要求最大值，目标函数记得加负号

3. 如果优化后的结果和随机生成的变量实现的结果类似，基本需要怀疑优化的代码写错了，优化算法并未有效执行，原因包括收敛条件>、<写反，目标函数正负搞错、函数结果为复数等，其中收敛判断函数和目标函数值得重点检查

4. 使用命令optimtool可以打开优化工具，选择GA，fitness function输入@func，func是你定义的句柄函数，输入变量数目，输入上下界，在右边的options里面选best fitness，可以可视化观察随着种群迭代fitness的变化