陈 浩

1. 问题示例2. 约束处理     对约束条件的处理主要是用了罚函数的方法。3.符号说明     fbest: 上层函数的最优值（最小值）；     xbest: 最优的x；     ybest: 最优的y；4. 算法步骤     step1. 根据上层规划问题的约束条件产生上层决策变量 x 的初始解 x0，初始化 fbest = INF；     s

function [xv,fv]=myGA(fitness,a,b,NP,NG,Pc,Pm,eps)% fitness:待优化的目标函数% a:自变量的下界% b:自变量的上界% NP:种群个体数20-100% NG:最大进化代数100-500% Pc:杂交概率0.4-0.99% Pm:变异概率0.0001-0.1% eps:自变量离散精度% xm:目标函数取最小值时的自变量值

function [xm,fv]=PSO(fitness,N,c1,c2,w,M,D)% fitness:待优化的目标函数% N:粒子数目% c1,c2:学习因子1，学习因子2% w:惯性权重% M:最大迭代次数% D:问题的维数% xm:目标函数取最小值时的自变量值% fv:目标函数最小值format long;%---------初始化种群的个体-------------

function [xo,fo] = Opt_Simu(f,x0,u,l,kmax,q,TolFun)% 模拟退火算法求函数 f(x)的最小值点， 且 l <= x <= u% f为待求函数，x0为初值点，l，u分别为搜索区间的上下限，kmax为最大迭代次数% q为退火因子，TolFun为函数容许误差%%%%算法第一步根据输入变量数，将某些量设为缺省值if nargin < 7