cherry-keven

坐标轴设置 //设置坐标轴的数字大小，包括legend文字大小： set(gca,'FontSize',18); //xy坐标轴范围和精度 set(gca,'xlim',[1,81],'xtick',[1:10:81]); set(gca,'ylim',[0,1],'ytick',[0:0.1:1]); //xy轴内容和字体大小 xlabel('Measuring point','FontSize',25); ylabel('Magnetic field value/nT','FontSize',25)

介绍 优良的个体繁衍下一代（选择适应度函数比较高的那个体概率比较大，不是百分之百） 基本步骤 编码：需要优化的问题，用数学语言描述出来（解空间里面的x1、x2），映射到遗传算法空间里面的基因串结构数据 随机产生初始串结构数据 个体：每个串结构数据 选择：优良的特性到下一代的概率会比较高 交叉：新的个体较大概率保留了父辈个体的特征，但是又有一些变化 变异：每个个体都有机会在局部的变量上面产生新的变化，保证解空间的多样性 fitness.m function [sol, fitnessVal] = fitnes

启发 对于个体的鸟儿来说，最快获取食物的第一选择通常是：看看其他的鸟在什么位置，它们相信聚集效应存在，会先去大部分鸟儿去的地方，如果没有，就去其他的地方去寻找 参数以及和遗传的关系 粒子——染色体——解空间里的解 适应度函数——适应度函数（系统性能评价的指标，评价粒子或者个体性能怎么样） 速度（遗传没有）——当前解到下一个解的方向和快慢 位置——解 公式 求解下一次速度： 个体在所有的行进路径中——最优值与当前位置的差值（个体极值和当前位置的关系） 群体在所有的行进路径中——最优值与当前位置的差值（群体极值