最新最全的遗传算法工具箱Gaot_v5及说明Gaot_v5下载地址：/mirage/GAToolBox/gaot/gaotv5.zip添加遗传算法路径：1、 matlab的file下面的set path把它加上，把路径加进去后在2、 file→Preferences→General的Toolbox Path Caching里点击update Toolbox Path Cache更新一下，就OK了遗传算法工具箱Gaot_v5包括许多实用的函数，各种算子函数，各种类型的选择方式，交叉、变异方式。
这些函数按照功能可以分成以下几类：主程序 ga.m提供了 GAOT 与外部的接口。
它的函数格式如下：[x endPop bPop traceInfo]=ga(bounds,evalFN,evalOps,startPop,opts,termFN,termOps, selectFn,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)输出参数及其定义如表 1 所示。
输入参数及其定义如表 2 所示。
表1 ga.m的输出参数输出参数 定义x 求得的最好的解，包括染色体和适应度endPop 最后一代染色体（可选择的）bPop 最好染色体的轨迹（可选择的）traceInfo 每一代染色体中最好的个体和平均适应度（可选择的） 表2 ga.m的输入参数表3 GAOT核心函数及其它函数核心函数：(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始种群的生成函数【输出参数】pop--生成的初始种群【输入参数】num--种群中的个体数目bounds--代表变量的上下界的矩阵eevalFN--适应度函数eevalOps--传递给适应度函数的参数options--选择编码形式(浮点编码或是二进制编码)[precision F_or_B],如precision--变量进行二进制编码时指定的精度F_or_B--为1时选择浮点编码，否则为二进制编码,由precision指定精度)(2)function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,...termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)--遗传算法函数【输出参数】x--求得的最优解endPop--最终得到的种群bPop--最优种群的一个搜索轨迹【输入参数】bounds--代表变量上下界的矩阵evalFN--适应度函数evalOps--传递给适应度函数的参数startPop-初始种群opts[epsilon prob_ops display]--opts(1:2)等同于initializega的options参数，第三个参数控制是否输出，一般为0。
如[1e-6 1 0]termFN--终止函数的名称,如['maxGenTerm']termOps--传递个终止函数的参数,如[100]selectFN--选择函数的名称,如['normGeomSelect']selectOps--传递个选择函数的参数,如[0.08]xOverFNs--交叉函数名称表，以空格分开，如['arithXover heuristicXover simpleXover']xOverOps--传递给交叉函数的参数表，如[2 0;2 3;2 0]mutFNs--变异函数表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']mutOps--传递给交叉函数的参数表,如[4 0 0;6 100 3;4 100 3;4 0 0]【注意】matlab工具箱函数必须放在工作目录下遗传算法实例1【问题】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9【分析】选择二进制编码，种群中的个体数目为10，二进制编码长度为20，交叉概率为0.95,变异概率为0.08【程序清单】%编写目标函数function[sol,eval]=fitness(sol,options)x=sol(1);eval=x+10*sin(5*x)+7*cos(4*x);%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega(10,[0 9],'fitness');%生成初始种群，大小为10[x endPop,bPop,trace]=ga([0 9],'fitness',[],initPop,[1e-6 1 1],'maxGenTerm',25,'normGeomSelect',...[0.08],['arithXover'],[2],'nonUnifMutation',[2 25 3]) %25次遗传迭代运算借过为：x =7.8562 24.8553(当x为7.8562时，f（x）取最大值24.8553)注：遗传算法一般用来取得近似最优解，而不是最优解。
遗传算法实例2【问题】在－5<=Xi<=5,i=1,2区间内，求解f(x1,x2)=-20*exp(-0.2*sqrt(0.5*(x1.^2+x2.^2)))-exp(0.5*(cos(2*pi*x1)+cos(2*pi*x2))) +22.71282的最小值。
【分析】种群大小10，最大代数1000，变异率0.1,交叉率0.3【程序清单】％源函数的matlab代码function [eval]=f(sol)numv=size(sol,2);x=sol(1:numv);eval=-20*exp(-0.2*sqrt(sum(x.^2)/numv)))-exp(sum(cos(2*pi*x))/numv)+22.71282; %适应度函数的matlab代码function [sol,eval]=fitness(sol,options)numv=size(sol,2)-1;x=sol(1:numv);eval=f(x);eval=-eval;%遗传算法的matlab代码bounds=ones(2,1)*[-5 5];[p,endPop,bestSols,trace]=ga(bounds,'fitness')注：前两个文件存储为m文件并放在工作目录下，运行结果为p =0.0000 -0.0000 0.0055大家可以直接绘出f(x)的图形来大概看看f（x）的最值是多少，也可是使用优化函数来验证。
matlab命令行执行命令：fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。
xoverops是传递给交叉函数的参数。
mutops是传递给变异函数的参数。
遗传算法实例3下面用 GA解 De Jong 函数的参数优化问题，求解：minf(x)-512≤xi≤512采用 GAOT 的步骤如下：①编制 De Jong 函数文件DeJong.m如下：function[eval]=DeJong(sol)numv=size(sol,2);x=sol(1:numv);eval=sum(x.^2);②编制目标函数适值文件 DeJongMin.m如下：function[sol,eval]=DeJongMin(sol,options)numv=size(sol,2)-1;x=sol(1:numv);eval=DeJong (x);eval=-eval;图2 De Jong函数图③编程调用主程序 DeJong_ga.m，其程序如下：bounds=ones(3,1)*[-512 512]; %设置参数边界[p,endPop,bestSols,trace]=ga(bounds,'DeJongMin'); %遗传算法优化pplot(trace(:,1),trace(:,3),'b-') %性能跟踪hold onplot(trace(:,1),trace(:,2),'r-')xlabel('Generation','fontsize',14); ylabel('Fittness','fontsize',14); legend('解的变化','种群平均值的变化')Minf=DeJong(p(1:3))④结果输出p=1.0e-003 *[0.0112 0.1450 0.1183]eval(p)=0.0000理论上最优解为：p=[0 0 0] ,极小值为0。
显然 GA有效地解决了 De Jong 函数的极小化问题。
图3是 De Jong 函数的 GA的寻优性能图。
图3 GA的寻优性能图总结GA作为一种求解复杂系统优化问题的通用算法，正在得到广泛的应用。
基于MATLAB的 GAOT 提供了一个标准的、可扩展的、简单的算法。
使用者可以节省大量编程时间和精力，且使用灵活、方便，易于学习和掌握。
只要对其相关模块作适当修改，即可解决许多实际问题。
实例表明，GAOT 对于实际工程优化问题具有较好的应用前景。