设计一个波浪线的目标函数通过GA优化动态显示优化值搜索过程同时显示局部最优问题效果

目录

1.算法概述

2.仿真效果

3.MATLAB仿真源码

---

1.算法概述

       遗传算法的原理

       遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。

一、遗传算法的目的
        典型的遗传算法CGA(Canonical Genetic Algorithm)通常用于解决下面这一类的静态最优化问题：考虑对于一群长度为L的二进制编码bi，i＝1，2，…，n；有

bi{0,1}L (3-84)

给定目标函数f，有f(bi)，并且

0

同时f(bi)≠f(bi+1)求满足下式

max{f(bi)|bi{0,1}L}

的bi。很明显，遗传算法是一种最优化方法，它通过进化和遗传机理，从给出的原始解群中，不断进化产生新的解，最后收敛到一个特定的串bi处，即求出最优解。

二、遗传算法的基本原理
        长度为L的n个二进制串bi(i＝1，2，