matlab新手入门及matlab代码

目录：
一、遗传算法概述

二、遗传算法的特点和应用

三、遗传算法的基本流程及实现技术

3.1 遗传算法的基本流程

3.2 遗传算法的实现技术

1.编码

2.适应度函数

3.选择算子

4.交叉算子

5.变异算子

6.运行参数

四、遗传算法的基本原理

4.1 模式定理

4.2 积木块假设

五、遗传算法编程实例（MATLAB）

一、遗传算法概述
遗传算法（Genetic Algorithm，GA）是进化计算的一部分，是模拟达尔文的遗传选择和自然淘汰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。该算法简单、通用，鲁棒性强，适于并行处理。

二、遗传算法的特点和应用
遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比，具有以下特点：

1. 以决策变量的编码作为运算对象。

   传统的优化算法往往直接利用决策变量的实际值本身来进行优化计算，但遗传算法是使用决策变量的某种形式的编码作为运算对象。这种对决策变量的编码处理方式，使得我们在优化计算中可借鉴生物学中染色体和基因等概念，可以模仿自然界中生物的遗传和进化激励，也可以很方便地应用遗传操作算子。

2. 直接以适应度作为搜索信息。

   传统的优化算法不仅需要利用目标函数值，而且搜索过程往往受目标函数的连续性约束，有可能还需要满足“目标函数的导数必须存在”的要求以确定搜索方向。

   遗传算法仅使用由目标函数值变换来的适应度函数值就可确定进一步的搜索范围，无需目标函数的导数值等其他辅助信息。直接利用目标函数值或个体适应度值也可以将搜索范围