簡介特色基本精神GA的使用:GA的演算法可以分為下列幾個步驟:工作流程基因演算法之演化流程圖基因運算子(Geneticoperators)基因運算子(Geneticoperators)基因運算子(Geneticoperators)基因運算子(Geneticoperators)基因運算子(Geneticoperators)基因運算子(Geneticoperators)基因參數(Geneticparameters)：編碼及解碼二進位解碼value:位元串所代表的值Pmin:參數值的最小值Pmax:參數值的最大值D:位元串的十進位整數值L:位元串的長度二近位編碼基因演算法的流程圖Matlab之基因演算genbin（bits，pop）：利用隨機方式產生一初始族群。bits代表染色體長度，pop為族群大小。方式1f（x）＝ex+sin（3πx）我們定義上述函數為f803newpop=genbin（8，10）newpop=11000001000110010011101011110101111101101110100000000010101011010011101010101000selectga（fun，newpop，a，b）：再製生產，字串依據合適值複製，所以在交配池內有較多之最合適的染色體有更高的機率。利用輪盤法選擇物種。fun為適應函數，newpop為新一代族群，a、b為區間範圍。selpool=selectga('f803',newpop,0,1)selpool=10101000000110011111011000111010111010001010100000000010111010000001100111000001matesome（newpop，matenum）：我們要匹配新的族群成員，此函數我們用來選擇部份成員來交配。newpop為新一代族群，matenum為交配率newgen=matesome(selpool,0.6)newgen=10101010000110011111011000111010111010001010100100000010110000010001100111000001mutate（newpop，mu）：有時合適性並未增加，我們不能預期每次都有改進，所以在重覆相同步驟週期前我們完成一道突變手續。newpop為新一代族群，mu為突變率，切記莫過於太大。newgen1=mutate(newgen,0.01)newgen1=10101010000110011111011000111010111010001010100100000010110000010001100111000001fitness（fun，newpop，a，b）：我們利用此函數計算其合適性。fun為適應函數，newpop為新一代族群，a、b為區間範圍[fit,fitot]=fitness('f803',newgen1,0,1)fit=1.94771.90102.95062.09573.23521.90321.08172.88291.90102.8829fitot=22.7819[max,mostfit]=max(fit)max=3.2352mostfit=5xval=binvreal(newgen1(mostfit,:),0,1)xval=0.9098方式2：optga（fun，range，。bits，pop，gens，mu，matenum）：此函數將所有步驟含在單一函數內。fun為適應函數，range為區間範圍，bits代表染色體長度，pop為族群大小，gens表示子代數，mu為突變率，matenum為交配率。[xval,max]=optga('f803',[01],8,10,1,0.01,0.6)chrom=00100100101011000000111010110001001011001100001001111110101101001000110110001000xval=0.8941max=3.2855討論：比較方式一及二，我們發現數據有些小小的差距，其實兩個方式是一樣的，會產生如此現象，最主要是我們初始值是採用隨機產生。只要我們計算代數越多，誤差的情況會越減少，不過，相對的所花費的時間也越多。特別注意突變率不宜過大，會影響值的正確性。基因演算法有兩個特徵︰交配互換基因和突變。通常基因演算法的執行速度較慢，但它可最佳應用至困難的問題，例如有多點最佳值，然而整體最佳值才是所需的。標準演算法在這時後常是失敗的，所以基因演算法花費較多時間是值得的。應注意