精华内容
下载资源
问答
  • matlab遗传算法工具包

    2010-06-29 16:48:54
    matlab遗传算法工具包matlab遗传算法工具包matlab遗传算法工具包
  • 1. 下载工具包。Shefield开发的工具包2. 解压。解压后,你应该得到一个genetic文件夹,如果不是,重命名为genetic。3. 复制到Matlab路径下复制文件夹genetic 到C:\program files\MATLAB\r2010a\toolbox r2010a是...

    1. 下载工具包。

    Shefield开发的工具包

    2. 解压。解压后,你应该得到一个genetic文件夹,如果不是,重命名为genetic。

    3. 复制到Matlab路径下

    复制文件夹genetic 到C:\program files\MATLAB\r2010a\toolbox 
    r2010a是版本号,找你自己的版本号。如果你的MATLAB不是装在C盘,找你自己的路径。

    4.  将具箱路径加入Matlab文件路径之中  
    运行MATLAB, File-->Set Path-->Add Folder,选择C:\program files\MATLAB\R2010a\toolbox\ genetic文件夹加入该路径系统中。
    如果你不能加载路径,试试用管理员身份运行matlab。
    重启MATLAB。

    注意,你在Sheffield大学网页上下载到的GA工具箱是他们为MATLAB4.2版本编写的,它也可以用于MATLAB后面所有的更高级的版本。


    CSDN上有一个这样的工具包也可以下载。然而文件名是大写的。而matlab又是区分大小写的……


    我再重新上传一个把文件名都改成了小写的压缩包。


    展开全文
  • matlab遗传算法工具箱(包含指导书),书中介绍了遗传算法及其改进和对应的matlab函数工具包及应用
  • 英国谢菲尔德大学编制的matlab遗传算法工具包,在matlab环境下运行。本工具包内含多个优化问题实例,如一元函数最优化、多元函数最优化、装载问题最优化、收获系统最优控制等。
  • matlab遗传算法解决背包问题,价值比为目标函数,matlab软件编程实现,没有采用工具包,按照C格式编写
  • 第五章至第七章介绍英国设菲尔德(Sheffield)大学的MATLAB遗传算法工具箱及其使用方法,举例说明如何利用遗传算法工具箱函数编写求解实际优化问题的MATLAB程序。第八章和第九章介绍MathWorks公司最新发布的MATLAB...
  • Matlab遗传算法工具箱及应用PDF及源码,包含书籍的原文及代码,望采纳
  • 免费文档欢迎下载 第八章使用MATLAB遗传算法工具 最新发布的MA TLAB 7.0 Release 14已经包含了一个专门设计的遗传算法与直接搜索工具箱Genetic Algorithm and Direct Search ToolboxGADS使用遗传算法与直接搜索工具...
  • 第五章至第七章介绍英国设菲尔德(Sheffield)大学的MATLAB遗传算法工具箱及其使用方法,举例说明如何利用遗传算法工具箱函数编写求解实际优化问题的MATLAB程序。第八章和第九章介绍MathWorks公司最新发布的MATLAB...
  • matlab遗传算法工具

    2010-02-03 12:21:22
    遗传算法工具箱 gaotv5 包含 遗传算法的各种m文件
  • MATLAB遗传算法系统详细讲解,学会,matlab自带的工具箱或者代码的遗传算法均有,欢迎大家来学习
  • 使用MATLAB遗传算法工具实例(详细) 精品文档 精品文档 收集于网络如有侵权请联系管理员删除 收集于网络如有侵权请联系管理员删除 精品文档 收集于网络如有侵权请联系管理员删除 最新发布的MATLAB 7.0 Release 14已经...
  • 点击matlab设置路径 添加并包含子文件夹 选中文件 保存 即可编辑程序时调用gatbx工具
  • 不仅包含Sheffield--Matlab遗传算法工具箱.rar ,还包含该工具箱的安装方法
  • PAGE PAGE 200 最新发布的MATLAB 7.0 Release 14已经包含了一个专门设计的遗传算法与直接搜索工具箱Genetic Algorithm and Direct Search ToolboxGADS使用遗传算法与直接搜索工具箱可以扩展MATLAB及其优化工具箱在...
  • 第五章至第七章介绍英国设菲尔德(Sheffield)大学的MATLAB遗传算法工具箱及其使用方法,举例说明如何利用遗传算法工具箱函数编写求解实际优化问题的MATLAB程序。第八章和第九章介绍MathWorks公司最新发布的MATLAB...
  • 最新发布的MATLAB 7.0 Release 14已经包含了一个专门设计的遗传算法与直接搜索工具箱Genetic Algorithm and Direct Search ToolboxGADS使用遗传算法与直接搜索工具箱可以扩展MATLAB及其优化工具箱在处理优化问题方面...
  • 第八章 使用 MATLAB 遗传算法工具 最新发布的 MA TLAB 7.0 Release 14 已经包含了一个专门设计的遗传算法与直接搜索工具 箱 Genetic Algorithm and Direct Search Toolbox GADS 使用遗传算法与直接搜索工具箱 可以...
  • 第五章至第七章介绍英国设菲尔德(Sheffield)大学的MATLAB遗传算法工具箱及其使用方法,举例说明如何利用遗传算法工具箱函数编写求解实际优化问题的MATLAB程序。第八章和第九章介绍MathWorks公司最新发布的MATLAB...
  • 第五章至第七章介绍英国设菲尔德(Sheffield)大学的MATLAB遗传算法工具箱及其使用方法,举例说明如何利用遗传算法工具箱函数编写求解实际优化问题的MATLAB程序。第八章和第九章介绍MathWorks公司最新发布的MATLAB...
  • 遗传算法MATLAB工具包简介

    千次阅读 多人点赞 2017-01-13 16:49:59
    遗传算法 MATLAB工具包

     下面介绍的函数都是Sheriffed大学遗传算法工具包内的常用函数

    • 复制矩阵
    B=rep(A,RepN)

    A表示要被复制的矩阵,RepN包含每个方向的复制次数,RepN(1)代表纵向复制次数,RepN(2)代表横向复制次数
    比如

    A=[1,2;3,4];
    B=rep(A,[1,2])
    B=[1,2,1,2
       3,4,3,4] 

    如果是

    B=rep(A,[2,1])
    B=[1,2
       3,4
       1,2
       3,4]

    =-= 教材里介绍了这个,但之后没有用到哎……

    • 创造种群
    Chrom=crtbp(n,b)

    n代表染色体个数,b代表二进制数的位数(可以理解为基因数)

    • 二进制转十进制数
    bs2rv(Chrom,Field)

    Field是个矩阵,有如下参数

    Field=[b;lowerbound;upperbound;code;scale;lbin;ubin]

    各个参数的意义如下:
     b代表二进制数串的长度,后面那俩表示原来十进制数的上下界
     code代表编码方式,1表示二进制编码
     scale表示每个串的刻度,0代表算数刻度,1代表对数刻度
     lbin和ubin表示参数的取值是否包括边界,0表示不包括,1表示包括

     bs2rv(Chrom,Field)返回的是个列向量,其中每行就是原来Chrom里每行对应的十进制数

    • 计算适应度值
    FitnV=ranking(ObjV)

     ObjV是定义好的目标函数
     老实讲,我没搞懂它这个ranking的返回值是什么意思。但就把它当做可以计算出各个染色体的适应值,并表明他们被传递到下一代的概率为多少的函数吧
     就是执行算出我笔记中那张表的函数?
    这里需要强调一点。ranking默认的是求最小,如果你要求的问题是最大,那就写成ranking(-ObjV)
    + 根据适应度值通过选择来得到新种群

    SelCh=select(SEL_F,Chrom,FitnV,GGAP)

     SEL_FeL_是个字符串,表明调用的选择函数,可以用rws(轮盘选择)或者sus(随机遍历采样)
     GGAP代表这一代传到下一代的概率,就是新种群中的个体数为现在的几分之几
     =-= 既然咱看的教程是拿rws讲的,那就用rws来搞

    • 令新种群进行交配
    SelCh = recombin(REC_F,SelCh,px)

     REC_F是个字符串,是指定交配的方式,可以用recdis或xovsp函数
     px代表交配概率,可能就是教程里指的那个概率吧
     recdis代表离散重组,xovsp是单点交叉
     感觉xovsp跟之前原理中的交配方式有点像?

    • 令新种群进行变异
    SelCh = mut(SelCh,pm)

     pm代表变异概率,如果直接用Selch = mut(SelCh),它会被设为缺省值0.7

    • 子代插入父代
       呃…………这个,可以理解为是父代便当了一部分,子代出生了一部分,这个操作代表的就是在子代出生父代便当后的新子群,它是把子代中的一部分和父代中的一部分混合了。混合完后得到的种群染色体总数是不变的
    [Chrom,ObjVCh] = reins(Chrom, SelCh,SUBPOP,InsOpt,ObjVCh,ObjVSel)

     里面各个参数意义如下:
     Chrom是父代,SelCh是子代
     SUBPOP一般作为1,指明Chrom和SelCh中子种群的个数
     InsOpt是一个最多有俩参数的向量,Insopt(1)如果是0,代表子代代替父代使用均匀随机选择,Insopts(1)如果是1,代表子代代替父代是基于适应度选择,子代代替父代中适应度最小的个体
     Insopt(2)表示每个子种群中重插入的子代个体在整个子种群中个体的比率,如果没写,默认为1
     ObjVCh代表Chrom里个体的目标值,ObjVSel代表SelCh中的目标值,如果子代的数量大于重插入种群中的子代数量,则ObjVSel是必需的,这种情况子代将按它们的适应度大小选择插入

    值得注意的是,如果是多变量的最优化问题,那在初始化种群时虽然是把俩变量对应的基因拼在一起初始化的,但在转化为二进制,计算适应度函数时,都是分开来算的。看下面两段代码

    %求sin(10*pi*X)/X的最小值
    lb=1;ub=2; %函数自变量范围【1,2】
    ezplot('sin(10*pi*X)/X',[lb,ub]);   %画出函数曲线
    xlabel('自变量/X')
    ylabel('函数值/Y')
    %% 定义遗传算法参数
    NIND=40;        %个体数目
    MAXGEN=20;      %最大遗传代数
    PRECI=20;       %变量的二进制位数
    GGAP=0.95;      %代沟
    px=0.7;         %交叉概率
    pm=0.01;        %变异概率
    trace=zeros(2,MAXGEN);                        %寻优结果的初始值
    FieldD=[PRECI;lb;ub;1;0;1;1];                      %区域描述器
    Chrom=crtbp(NIND,PRECI);                      %初始种群
    %% 优化
    gen=0;                                  %代计数器
    X=bs2rv(Chrom,FieldD);                 %计算初始种群的十进制转换
    ObjV=sin(10*pi*X)./X;        %计算目标函数值
    while gen<MAXGEN
       FitnV=ranking(ObjV);                               %分配适应度值
       SelCh=select('sus',Chrom,FitnV,GGAP);              %选择
       SelCh=recombin('xovsp',SelCh,px);                  %重组
       SelCh=mut(SelCh,pm);                               %变异
       X=bs2rv(SelCh,FieldD);               %子代个体的十进制转换
       ObjVSel=sin(10*pi*X)./X;             %计算子代的目标函数值
       [Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代,得到新种群
       X=bs2rv(Chrom,FieldD);
       gen=gen+1;                                             %代计数器增加
    
       [Y,I]=min(ObjV);     %Y是ObjV里最小的值,I是表示它是第几个,这样就可以找出使Y最小的X
       trace(1,gen)=X(I);                            %记下每代最优值对应的X
       trace(2,gen)=Y;                               %记下每代目标函数的最优值
    end

    对于下面这段代码,需要强调这么一点:
    它这个工具包是默认求ObjV的最小值的,如果你要求最大值,那么在ranking时就应该按照-ObjV来分配适应度值,筛选染色体
    这样筛选出来的染色体是能让ObjV取最大值的染色体,所以在获取最优解参数时,是用 [Y,I]=max(ObjV); 而不是 [Y,I]=min(ObjV);

    %求y*sin(2*pi*x)+x*cos(2*pi*y)的最大值
    
    lbx=-2;ubx=2; %函数自变量x范围【-2,2】
    lby=-2;uby=2; %函数自变量y范围【-2,2】
    ezmesh('y*sin(2*pi*x)+x*cos(2*pi*y)',[lbx,ubx,lby,uby],50);   %画出函数曲线
    hold on;
    %% 定义遗传算法参数
    NIND=40;        %个体数目
    MAXGEN=50;      %最大遗传代数
    PRECI=20;       %变量的二进制位数
    GGAP=0.95;      %代沟
    px=0.7;         %交叉概率
    pm=0.01;        %变异概率
    trace=zeros(3,MAXGEN);                        %寻优结果的初始值
    FieldD=[PRECI PRECI;lbx lby;ubx uby;1 1;0 0;1 1;1 1];                      %区域描述器
    Chrom=crtbp(NIND,PRECI*2);                      %初始种群
    %% 优化
    gen=0;                                  %代计数器
    XY=bs2rv(Chrom,FieldD);                 %计算初始种群的十进制转换
    X=XY(:,1);Y=XY(:,2);
    ObjV=Y.*sin(2*pi*X)+X.*cos(2*pi*Y);        %计算目标函数值
    while gen<MAXGEN
       FitnV=ranking(-ObjV);                              %分配适应度值
       SelCh=select('sus',Chrom,FitnV,GGAP);              %选择
       SelCh=recombin('xovsp',SelCh,px);                  %重组
       SelCh=mut(SelCh,pm);                               %变异
       XY=bs2rv(SelCh,FieldD);               %子代个体的十进制转换
       X=XY(:,1);Y=XY(:,2);
       ObjVSel=Y.*sin(2*pi*X)+X.*cos(2*pi*Y);             %计算子代的目标函数值
       [Chrom,ObjV]=reins(Chrom,SelCh,1,1,ObjV,ObjVSel); %重插入子代到父代,得到新种群
       XY=bs2rv(Chrom,FieldD);
       gen=gen+1;                                             %代计数器增加
       %获取每代的最优解及其序号,Y为最优解,I为个体的序号
       [Y,I]=max(ObjV);
       trace(1:2,gen)=XY(I,:);                       %记下每代的最优值
       trace(3,gen)=Y;                               %记下每代的最优值
    end
    展开全文
  • Geatpy2The Genetic and Evolutionary Algorithm Toolbox for Python with high performance.IntroductionThe features of Geatpy:Capability of solving single-objective, multi-objectives, many-objectives and ...

    Geatpy2

    The Genetic and Evolutionary Algorithm Toolbox for Python with high performance.

    geatpy.svg?branch=master

    geatpy.svg

    python-%3E=3.5-green.svg

    pypi-2.6.0-blue.svg

    geatpy.svg

    geatpy.svg

    community.svg

    Introduction

    The features of Geatpy:

    Capability of solving single-objective, multi-objectives, many-objectives and combinatorial optimization problems fast.

    A huge number of operators with high performance of evolutionary algorithms (selection, recombination, mutation, migration...).

    Support numerous encodings for the chromosome of the population.

    Many evolutionary algorithm templates, including GA, DE, ES for single/multi-objective(s) evolution.

    Multiple population evolution.

    Support polysomy evolution.

    Parallelization and distribution of evaluations.

    Testbeds containing most common benchmarks functions.

    Support tracking analysis of the evolution iteration.

    Many evaluation metrics of algorithms.

    Improvement of Geatpy 2.6.0

    Add Push and Pull Search Strategy for MOEA/D-DE.

    Add new cores: 'ri2bs' and 'mergecv'.

    Support setting more precise parameters in mutation and recombination operators.

    Support logging and showing log during the evoluation.

    Speed up the EA framework.

    Installation

    1.Installing online:

    pip install geatpy

    2.From source:

    python setup.py install

    or

    pip install .whl

    Attention: Geatpy requires numpy>=1.16.0, matplotlib>=3.0.0 and scipy>=1.0.0, the installation program won't help you install them so that you have to install both of them by yourselves.

    Versions

    Geatpy must run under Python3.5, 3.6, 3.7 or 3.8 in Windows x32/x64, Linux x64 or Mac OS x64.

    There are different versions for Windows, Linux and Mac, you can download them from http://geatpy.com/

    The version of Geatpy on github is the latest version suitable for Python >= 3.5

    You can also update Geatpy by executing the command:

    pip install --upgrade geatpy

    If something wrong happened, such as decoding error about 'utf8' of pip, run this command instead or execute it as an administrator:

    pip install --upgrade --user geatpy

    Quick start

    Here is the UML figure of Geatpy2.

    structure.png

    For solving a multi-objective optimization problem, you can use Geatpy mainly in two steps:

    1.Write down the aim function and some relevant settings in a derivative class named MyProblem, which is inherited from Problem class:

    """MyProblem.py"""

    import numpy as np

    import geatpy as ea

    class MyProblem(ea.Problem): # Inherited from Problem class.

    def __init__(self, M): # M is the number of objects.

    name = 'DTLZ1' # Problem's name.

    maxormins = [1] * M # All objects are need to be minimized.

    Dim = M + 4 # Set the dimension of decision variables.

    varTypes = [0] * Dim # Set the types of decision variables. 0 means continuous while 1 means discrete.

    lb = [0] * Dim # The lower bound of each decision variable.

    ub = [1] * Dim # The upper bound of each decision variable.

    lbin = [1] * Dim # Whether the lower boundary is included.

    ubin = [1] * Dim # Whether the upper boundary is included.

    # Call the superclass's constructor to complete the instantiation

    ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)

    def aimFunc(self, pop): # Write the aim function here, pop is an object of Population class.

    Vars = pop.Phen # Get the decision variables

    XM = Vars[:,(self.M-1):]

    g = np.array([100 * (self.Dim - self.M + 1 + np.sum(((XM - 0.5)**2 - np.cos(20 * np.pi * (XM - 0.5))), 1))]).T

    ones_metrix = np.ones((Vars.shape[0], 1))

    pop.ObjV = 0.5 * np.fliplr(np.cumprod(np.hstack([ones_metrix, Vars[:,:self.M-1]]), 1)) * np.hstack([ones_metrix, 1 - Vars[:, range(self.M - 2, -1, -1)]]) * np.tile(1 + g, (1, self.M))

    def calReferObjV(self): # Calculate the theoretic global optimal solution here.

    uniformPoint, ans = ea.crtup(self.M, 10000) # create 10000 uniform points.

    realBestObjV = uniformPoint / 2

    return realBestObjV

    2.Instantiate MyProblem class and a derivative class inherited from Algorithm class in a Python script file "main.py" then execute it. For example, trying to find the pareto front of DTLZ1, do as the following:

    """main.py"""

    import geatpy as ea # Import geatpy

    from MyProblem import MyProblem # Import MyProblem class

    if __name__ == '__main__':

    """=========================Instantiate your problem=========================="""

    M = 3 # Set the number of objects.

    problem = MyProblem(M) # Instantiate MyProblem class

    """===============================Population set=============================="""

    Encoding = 'RI' # Encoding type.

    NIND = 100 # Set the number of individuals.

    Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # Create the field descriptor.

    population = ea.Population(Encoding, Field, NIND) # Instantiate Population class(Just instantiate, not initialize the population yet.)

    """================================Algorithm set==============================="""

    myAlgorithm = ea.moea_NSGA3_templet(problem, population) # Instantiate a algorithm class.

    myAlgorithm.MAXGEN = 500 # Set the max times of iteration.

    myAlgorithm.logTras = 1 # Set the frequency of logging. If it is zero, it would not log.

    myAlgorithm.verbose = True # Set if we want to print the log during the evolution or not.

    myAlgorithm.drawing = 1 # 1 means draw the figure of the result.

    """===============================Start evolution============================="""

    [NDSet, population] = myAlgorithm.run() # Run the algorithm templet.

    """=============================Analyze the result============================"""

    if myAlgorithm.log is not None and NDSet.sizes != 0:

    print('GD', myAlgorithm.log['gd'][-1])

    print('IGD', myAlgorithm.log['igd'][-1])

    print('HV', myAlgorithm.log['hv'][-1])

    print('Spacing', myAlgorithm.log['spacing'][-1])

    Run the "main.py" and the part of the result is:

    Pareto%20Front.svg

    The number of non-dominated result: 91

    GD 0.00022198303156041217

    IGD 0.02068151005217868

    HV 0.8402294516563416

    Spacing 0.00045354439805786744

    For solving another problem: Ackley-30D, which has only one object and 30 decision variables, what you need to do is almost the same as above.

    1.Write the aim function in "MyProblem.py".

    import numpy as np

    import geatpy as ea

    class Ackley(ea.Problem): # Inherited from Problem class.

    def __init__(self, D = 30):

    name = 'Ackley' # Problem's name.

    M = 1 # Set the number of objects.

    maxormins = [1] * M # All objects are need to be minimized.

    Dim = D # Set the dimension of decision variables.

    varTypes = [0] * Dim # Set the types of decision variables. 0 means continuous while 1 means discrete.

    lb = [-32.768] * Dim # The lower bound of each decision variable.

    ub = [32.768] * Dim # The upper bound of each decision variable.

    lbin = [1] * Dim # Whether the lower boundary is included.

    ubin = [1] * Dim # Whether the upper boundary is included.

    # Call the superclass's constructor to complete the instantiation

    ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)

    def aimFunc(self, pop): # Write the aim function here, pop is an object of Population class.

    x = pop.Phen # Get the decision variables

    n = self.Dim

    f = np.array([-20 * np.exp(-0.2*np.sqrt(1/n*np.sum(x**2, 1))) - np.exp(1/n * np.sum(np.cos(2 * np.pi * x), 1)) + np.e + 20]).T

    return f, CV

    def calReferObjV(self): # Calculate the global optimal solution here.

    realBestObjV = np.array([[0]])

    return realBestObjV

    2.Write "main.py" to execute the algorithm templet to solve the problem.

    import geatpy as ea # import geatpy

    import numpy as np

    from MyProblem import Ackley

    if __name__ == '__main__':

    """=========================Instantiate your problem=========================="""

    problem = Ackley(30) # Instantiate MyProblem class.

    """===============================Population set=============================="""

    Encoding = 'RI' # Encoding type.

    NIND = 20 # Set the number of individuals.

    Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders) # Create the field descriptor.

    population = ea.Population(Encoding, Field, NIND) # Instantiate Population class(Just instantiate, not initialize the population yet.)

    """================================Algorithm set==============================="""

    myAlgorithm = ea.soea_DE_rand_1_bin_templet(problem, population) # Instantiate a algorithm class.

    myAlgorithm.MAXGEN = 1000 # Set the max times of iteration.

    myAlgorithm.mutOper.F = 0.5 # Set the F of DE

    myAlgorithm.recOper.XOVR = 0.2 # Set the Cr of DE (Here it is marked as XOVR)

    myAlgorithm.logTras = 1 # Set the frequency of logging. If it is zero, it would not log.

    myAlgorithm.verbose = True # Set if we want to print the log during the evolution or not.

    myAlgorithm.drawing = 1 # 1 means draw the figure of the result.

    """===============================Start evolution=============================="""

    [BestIndi, population] = myAlgorithm.run() # Run the algorithm templet.

    """==============================Output the result============================="""

    print('The number of evolution is: %s'%(myAlgorithm.evalsNum))

    if BestIndi.sizes != 0:

    print('The objective value of the best solution is: %s' % BestIndi.ObjV[0][0])

    else:

    print('Did not find any feasible solution.')

    Part of the result is:

    result1.svg

    The number of evolution is: 20000

    The objective value of the best solution is: 2.7631678278794425e-08

    To get more tutorials, please link to http://www.geatpy.com.

    展开全文
  • 里面包含了所有需要的遗传算法工具包,可以内置到matlab中,也有指导手册
  • matlab遗传算法

    2013-07-25 21:56:00
    关于matlab遗传算法工具箱主要有三种: 1、Matlab自带的遗传算法工具箱名为GADS。matlab 7.0包含了这个工具箱,matlab7.0以前的版本没有这个工具箱,雷英杰编著《Matlab遗传算法工具箱及应用》对这个工具箱的使用...

    关于matlab遗传算法工具箱主要有三种:

     1、Matlab自带的遗传算法工具箱名为GADS。matlab 7.0包含了这个工具箱,matlab7.0以前的版本没有这个工具箱,雷英杰编著《Matlab遗传算法工具箱及应用》对这个工具箱的使用进行了介绍。
    可以在图形界面下直接使用,在Matlab主界面上依次打开Start-Toolbox-Genetic Algorithm and Direct Search,或者直接键入gatool命令。

    2Sheffield的GA工具箱同于Matlab自带的GA Tools,它由英国Sheffield大学的开发,工具箱名为GATbx(Genetic Algorithm Optimization Toolbox),建议在Matlab 7下使用。有一本书《MATLAB遗传算法工具箱及应用》(西安电子科技大学出版社)对此工具箱有详细介绍,可以参照学习。

    Sheffield的GA工具箱的安装:

    原文:http://www.cnblogs.com/MrUnwanted/p/3142555.html

    1. 从http://crystalgate.shef.ac.uk/code/下载工具箱压缩包gatbx.zip

    2. 解压gatbx.zip,将其子文件夹genetic放在matlab安装目录toolbox文件夹外,和toolbox同一级目录

    3. 在matlab主窗口选择File -> Set Path, 单击"Add Folder"按钮,找到工具箱所在文件夹genetic,单击“OK” -> "Save" -> “Close”

    4. 使用函数ver查看工具箱是否安装成功:ver('genetic'),若安装成功则返回相应参数

    提示:安装失败原因可能是将gatbx直接放在了toolbox下

     

    3、gaot工具箱:这是网上流传的免费的工具箱,网上对它介绍的资料也挺多,它不是Matlab软件自带的,但可以自己配置使用。

    中国学术期刊网上大部分研究遗传算法的论文都使用这个工具箱。

     

    转载于:https://www.cnblogs.com/hujianhua/p/3215383.html

    展开全文
  • 即可下载MATLAB的gatbx安装包如果不安装这个的话,使用其函数会导致matlab运行报错 1.下载后,解压。 2.将解压后的gatbx文件夹移到MATLAB的安装目录下的toolbox文件夹里 例如:D:\matlab\toolbox 3.选择 设置...
  • 资源中包含神经网络、遗传算法、支持向量机、退火算法、粒子群算法等算法matlab源码、工具包及数据集。

空空如也

空空如也

1 2 3 4 5 6
收藏数 106
精华内容 42
关键字:

matlab遗传算法工具包

matlab 订阅