遺傳演算法求極值

⑴ 如圖，如何用這個PSO演算法或遺傳演算法來求函數極值,用C語言編寫代碼

需要很多的子函數 %子程序：新物種交叉操作，函數名稱存儲為crossover.m function scro=crossover(population,seln,pc); BitLength=size(population,2); pcc=IfCroIfMut(pc);%根據交叉概率決定是否進行交叉操作，1則是，0則否 if pcc==1 chb=round(rand*(BitLength-2))+1;%在[1，BitLength-1]范圍內隨機產生一個交叉位 scro(1,:)=[population(seln(1),1:chb) population(seln(2),chb+1:BitLength)] scro(2,:)=[population(seln(2),1:chb) population(seln(1),chb+1:BitLength)] else scro(1,:)=population(seln(1),:); scro(2,:)=population(seln(2),:); end %子程序：計算適應度函數，函數名稱存儲為fitnessfun.m function [Fitvalue,cumsump]=fitnessfun(population); global BitLength global boundsbegin global boundsend popsize=size(population,1);%有popsize個個體 for i=1:popsize x=transform2to10(population(i,:));%將二進制轉換為十進制 %轉化為[-2，2]區間的實數 xx=boundsbegin+x*(boundsend-boundsbegin)/(power(2,BitLength)-1); Fitvalue(i)=targetfun(xx);%計算函數值，即適應度 end %給適...
望採納！

⑵ 您好，遺傳演算法 多元函數 極值求助

2008年數學三考試大綱
數 學 三

考試科目 微積分、線性代數、概率論與數理統計

微 積 分
一、函數、極限、連續
考試內容
函數的概念及表示法函數的有界性、單調性、周期性和奇偶性復合函數、隱函數、反函數、分段函數和隱函數基本初等函數的性質及圖形 初等函數函數關系的建立
數列極限與函數極限的定義及其性質 函數的左極限和右極限無窮小和無窮大的概念及關系 無窮小的性質及無窮小的比較極限的四則運算 極限存在的兩個准則：單調有界准則和夾逼准則兩個重要極限：
,
函數連續的概念 函數間斷點的類型 初等函數的連續性閉區間上連續函數的性質
考試要求
1．理解函數的概念，掌握函數的表示法，會建立簡單應用問題的函數關系.
2．了解函數的有界性、單調性、周期性和奇偶性.
3．理解復合函數及分段函數的概念，了解反函數及隱函數的概念.
4．掌握基本初等函數的性質及其圖形，理解初等函數的概念.
5．了解數列極限和函數極限（包括左、右極限）的概念.
6．理解無窮小的概念和基本性質，掌握無窮小的比較方法.了解無窮大的概念及其與無窮小的關系.
7．了解極限的性質與極限存在的兩個准則，掌握極限四則運[wiki]演算法[\\/wiki]則，會應用兩個重要極限.
8．理解函數連續性的概念（含左連續與右連續）, 會判別函數間斷點的類型.
9．了解連續函數的性質和初等函數的連續性，理解閉區間上連續函數的性質（有界性、最大值與最小值定理、介值定理），並會應用這些性質.

二、一元函數微分學
考試內容
導數和微分的概念 導數的幾何意義和經濟意義函數的可導性與連續性之間的關系 平面曲線的切線與法線導數和微分的四則運算 基本初等函數的導數復合函數、反函數和隱函數的微分法 高階導數 一階微分形式不變性微分中值定理 洛必達（L』Hospital）法則 函數單調性的判別 函數的極值函數圖形的凹凸性、拐點及漸近線 函數圖形的描繪函數的最大值與最小值
考試要求
1. 理解導數的概念及可導性與連續性之間的關系，了解導數的幾何意義與經濟意義（含邊際與彈性的概念），會求平面曲線的切線[wiki]方程[\\/wiki]和法線方程.
2．掌握基本初等函數的導數公式、導數的四則運演算法則及復合函數的求導法則，會求分段函數的導數會求反函數與隱函數的導法.
3．了解高階導數的概念，會求簡單函數的高階導數.
4．了解微分的概念，導數與微分之間的關系以及一階微分形式的不變性，會求函數的微分.
5．理解羅爾（Rol1e）定理、拉格朗日（Lagrange）中值定理、了解泰勒（Taylor）定理、了解柯西（Cauchy）中值定理，掌握這四個定理的簡單應用.
6．會用洛必達法則求極限.
7．掌握函數單調性的判別方法，了解函數極值的概念掌握函數極值、最大值和最小值的求法及其應用.
8．會用導數判斷函數圖形的凹凸性（註：在區間 內，設函數具有二階導數，當 時， 的圖形是凹的；當 時，的圖形是凸的），會求函數圖形的拐點和漸近線.
9．會描繪簡單函數的圖形.

三、一元函數積分學
考試內容
原函數和不定積分的概念 不定積分的基本性質基本積分公式 定積分的概念和基本性質定積分中值定理積分上限的函數及其導數 牛頓一萊布尼茨（Newton-Leibniz）公式不定積分和定積分的換元積分法和分部積分法 反常（廣義）積分積分的應用
考試要求
1．理解原函數與不定積分的概念，掌握不定積分的基本性質和基本積分公式；掌握不定積分的換元積分法與分部積分法.
2．了解定積分的概念和基本性質，了解定積分中值定理，理解積分上限的函數並會求它的導數掌握牛頓一萊布尼茨公式以及定積分的換元積分法和分部積分法.
3．會利用定積分計算平面圖形的面積、旋轉體的體積和函數的平均值，會利用定積分求解簡單的經濟應用題.
4．了解反常積分的概念，會計算反常積分.

四、多元函數微積分學
考試內容
多元函數的概念 二元函數的幾何意義 二元函數的極限與連續性的概念有界閉區域上二元連續函數的性質 多元函數偏導數的概念與計算多元復合函數的求導法與隱函數求導法 二階偏導數 全微分多元函數的極值和條件極值、最大值和最小值 二重積分的概念、基本性質和計算無界區域上簡單的廣義二重積分
考試要求
1．了解多元函數的概念，了解二元函數的幾何意義.
2．了解二元函數的極限與連續的概念，了解有界閉區域上二元連續函數的性質.
3．了解多元函數偏導數與全微分的概念，會求多元復合函數一階、二階偏導數，會求全微分，會用多元隱函數的偏導數.
4．了解多元函數極值和條件極值的概念，掌握多元函數極值存在的必要條件，了解二元函數極值存在的充分條件，會求二元函數的極值，會用拉格朗日乘數法求條件極值，會求簡單多元函數的最大值和最小值，並會解決某些簡單的應用問題.
5．了解二重積分的概念與基本性質，掌握二重積分的計算方法（[wiki]直角[\\/wiki]坐標、極坐標），了解無界區域上較簡單的廣義二重積分並會計算.

五、無窮級數
考試內容
常數項級數收斂與發散的概念收斂級數的和的概念 級數的基本性質與收斂的必要條件幾何級數與p級數及其收斂性 正項級數收斂性的判別任意項級數的絕對收斂與條件收斂交錯級數與萊布尼茨定理 冪級數及其收斂半徑、收斂區問（指開區間）和收斂域 冪級數的和函數 冪級數在收斂區間內的基本性質 簡單冪級數的和函數的求法
初等函數的冪級數展開式
考試要求
1．了解級數的收斂與發散、收斂級數的和的概念.
2．掌握級數的基本性質及級數收斂的必要條件，掌握幾何級數及p 級數的收斂與發散的條件，掌握正項級數收斂性的比較判別法和比值判別法，會用根值判別法.
3．了解任意項級數絕對收斂與條件收斂的概念以及絕對收斂與收斂的關系，掌握交錯級數的萊布尼茨判別法.
4．會求冪級數的收斂半徑、收斂區間及收斂域.
5．了解冪級數在收斂區間內的基本性質（和函數的連續性、逐項微分和逐項積分），會求簡單冪級數在其收斂區間內的和函數，並會由此求出某些數項級數的和.
6"掌握 、 、 、 及的麥克勞林（Maclaurin）展開式，會用它們將簡單函數間接展開成冪級數.

六、常微分方程與差分方程
考試內容
微分方程的概念變數可分離的微分方程 齊次微分方程 一階線性微分方程 線性微分方程解的性質及解的結構定理 二階常系數齊次線性微分方程及簡單的非齊次線性微分方程差分與差分方程的概念差分方程的通解與特解 一階常系數線性差分方程微分方程與差分方程的簡單應用
考試要求
1．了解微分方程及其階、解、通解、初始條件和特解等概念.
2．掌握變數可分離的微分方程、齊次微分方程和一階線性微分方程的求解方法.
3．會解二階常系數齊次線性微分方程.
4. 了解線性微分方程解的性質及解的結構定理，會解自由項為多項式、指數函數、正弦函數、餘弦函數，以及它們的和與乘積的二階常系數非齊次線性微分方程.
5．了解差分與差分方程及其通解與特解等概念.
6．掌握一階常系數線性差分方程的求解方法.
7．會用微分方程和差分方程求解簡單的經濟應用問題.
Back

線 性 代 數
一、行列式
考試內容
行列式的概念和基本性質 行列式按行（列）展開定理
考試要求
1．理解行列式的概念，掌握行列式的性質.
2. 會應用行列式的性質和行列式按行（列）展開定理計算行列式.

二、矩陣
考試內容
矩陣的概念 矩陣的線性運算 矩陣的乘法 方陣的冪方陣乘積的行列式
矩陣的轉置 逆矩陣的概念和性質 矩陣可逆的充分必要條件 伴隨矩陣矩陣的初等變換 初等矩陣 矩陣的秩矩陣的等價 分塊矩陣及其運算
考試要求
1．理解矩陣的概念，了解單位矩陣、數量矩陣、對角矩陣、三角矩陣的定義和性質，理解對稱矩陣、反對稱矩陣及正交矩陣等的定義和性質.
2．掌握矩陣的線性運算、乘法、轉置以及它們的運算規律，了解方陣的冪與方陣的乘積的行列式的性質.
3．理解逆矩陣的概念、掌握逆矩陣的性以及矩陣可逆的充分必要條件，理解伴隨矩陣的概念，會用伴隨矩陣求逆矩陣.
4．了解矩陣的初等變換和初等矩陣及矩陣等價的概念，理解矩陣的秩的概念，掌握用初等變換求矩陣的逆矩陣和秩的方法.
5．了解分塊矩陣的概念，掌握分塊矩陣的運演算法則.

三、向量
考試內容
向量的概念 向量的線性組合與線性表示 向量組線性相關與線性元關 向量組的極大線性元關組 等價向量組 向量組的秩 向量組的秩與矩陣的秩之間的關系
向量的內積 線性無關向量組的正交規范化方法
考試要求
1．了解向量的概念，掌握向量的加法和數乘運演算法則.
2．理解向量的線性組合與線性表示、向量組線性相關、線性無關等概念，掌握向量組線性相關、線性無關的有關性質及判別法.
3．理解向量組的極大無關組的概念，會求向量組的極大無關組及秩.
4．理解向量組等價的概念，理解矩陣的秩與其行（列）向量組的秩之間的關系.
5．了解內積的概念，掌握線性無關向量組正交規范化的施密特（Schmidt）方法

四、線性方程組
考試內容
線性方程組的克萊姆（Cramer）法則 線性方程組有解和無解的判定齊次線性方程組的基礎解系和通解非齊次線性方程組的解與相應的齊次線性方程組（導出組）的解之間的關系非齊次線性方程組的通解
考試要求
1．會用克萊姆法則解線性方程組.
2. 掌握非齊次線性方程組有解和無解的判定方法.
3．理解齊次線性方程組的基礎解系的概念，掌握齊次線性方程組的基礎解系和通解的求法.
4．理解非齊次線性方程組的結構及通解的概念.
5. 掌握用初等行變換求解線性方程組的方法.

五、矩陣的特徵值和特徵向量
考試內容
矩陣的特徵值和特徵向量的概念、性質 相似矩陣的概念及性質 矩陣可相似對角化的充分必要條件及相似對角矩陣 實對稱矩陣的特徵值和特徵向量及相似對角矩陣
考試要求
1．理解矩陣的特徵值、特徵向量等概念，掌握矩陣特徵值的性質，掌握求矩陣特徵值和特徵向量的方法.
2．理解矩陣相似的概念、掌握相似矩陣的性質，了解矩陣可對角化的充分條件和必要條件，掌握將矩陣化為相似對角矩陣的方法.
3．掌握實對稱矩陣的特徵值和特徵向量的性質.

六、二次型
考試內容
二次型及其矩陣表示 合同變換與合同矩陣 二次型的秩慣性定理 二次型的標准形和規范形正交變換和配方法化二次型為標准形 二次型及其矩陣的正定性
考試要求
1．了解二次型的概念，會用矩陣形式表示二次型，了解合同變換和合同矩陣的概念.
2．理解二次型的秩的概念，了解二次型的標准形、規范形等概念，了解慣性定理，會甩正交變換和配方法化二次型為標准形.
3．理解正定二次型、正定矩陣的概念，並掌握其判別法.

Back

概 率 論 與 數 理 統 計

一、隨機事件和概率
考試內容
隨機事件與樣本空間 事件的關系與運算 完備事件組 概率的概念 概率的基本性質 古典型概率 幾何型概率 條件概率 概率的基本公式 事件的獨立性
獨立重復事件
考試要求
1．了解樣本空間（基本事件空間）的概念，理解隨機事件的概念，掌握事件間的關系及運算.
2. 理解概率、條件概率的概念，掌握概率的基本性質，會計算古典型概率和幾何型概率，掌握概率的加法、乘法公式、全概率公式及貝葉斯（Bayes）公式等.
3．理解事件的獨立性的概念，掌握用事件獨立性進行概率計算；理解獨立重復試驗的概念，掌握計算有關事件概率的方法.

二、隨機變數及其分布
考試內容
隨機變數 隨機變數的分布函數及其性質 離散型隨機變數的概率分布連續型隨機變數的概率密度 常見隨機變數的分布 隨機變數函數的分布
考試要求
1．理解隨機變數的概念；理解分布函數

的概念及性質；會計算與隨機變數有關的事件的概率.
2．理解離散型隨機變數及其概率分布的概念，掌握0-1分布、二項分布、幾何分布、超幾何分布、泊松（Poisson）分布 及其應用.
3. 理解泊松定理的結論和應用條件，會用泊松分布近似表示二項分布.
4．理解連續型隨機變數及其概率密度的概念，掌握均勻分布 、正態分布、指數分布及其應用，其中參數為 的指數分布 的密度函數為

5．會求隨機變數函數的分布.

三、多維隨機變數的分布
考試內容
多維隨機變數及其分布函數 二維離散型隨機變數概率分布、邊緣分布和條件分布、二維連續型隨機變數的概率密度 邊緣概率密度和條件密度 隨機變數的獨立性和不相關性 常見二維隨機變數的分布 兩個及兩個以上隨機變數的函數的分布
考試要求
1．理解多維隨機變數的分布的概念和基本性質.
2．理解二維離散型隨機變數的概率分布和二維連續型隨機變數的概率密度.掌握二維隨機變數的邊緣概率分布和條件分布.
3．理解隨機變數的獨立性和不相關性的概念，掌握隨機變數相互獨立的條件；理解隨機變數的不相關性與獨立性的關系.
4．掌握二維均勻分布和二維正態分布 ，理解其中參數的概率意義．
5．會根據兩個隨機變數的聯合分布求其函數的分布；會根據多個相互獨立隨機變數的聯合分布求其函數的分布.

四、隨機變數的數字特徵
考試內容
隨機變數的[wiki]數學[\\/wiki]期望（均值）、方差、標准差及其性質隨機變數函數的數學期望 切比雪夫（Chebyshev）不等式矩、協方差、相關系數及其性質
考試要求
1．理解隨機變數數字特徵（數學期望、方差、標准差、矩、協方差、相關系數）的概念，會運用數字特徵的基本性質，並掌握常用分布的數字特徵.
2．會隨機變數函數的數學期望.
3．掌握切比雪夫不等式.

五、大數定律和中心極限定理
考試內容
切比雪夫（Chebyhev）大數定律 伯努利（Bernoulli）大數定律 辛欽（Khinchine）大數定律 棣莫弗－拉普拉斯（De Moivre-Laplace）定理 列維－林德伯格（Levy-Lindberg）定理
考試要求
1．了解切比雪夫大數定律、伯努利大數定律和辛欽大數定律（獨立同分布隨機變數序列的大數定律）.
2．了解棣莫弗－拉普拉斯中心極限定理(二項分布以正態分布為極限分布)、列維—林德伯格中心極限定理(獨立同分布隨機變數序列的中心極限定理)，並會用相關定理近似計算有關隨機事件的概率.

六、數理統計的基本概念
考試內容
總體 個體 簡單隨機樣本 統計量 經驗分布函數 樣本均值 樣本方方差和樣本矩 分布 分布 分布 分位數 正態總體的常用抽樣分布
考試要求
1．理解總體、簡單隨機樣本、統計量、樣本均值、樣本方差及樣本矩的概念，其中樣本方差定義為：
.
2．了解產生 變數、 變數和 變數的典型模型；理解標准正態分布、 分布、分布和 分布的分位數，會查相應的數值表.
3．掌握正態總體的抽樣分布：樣本均值、樣本方差、樣本矩、樣本均值差、樣本方差比的抽樣分布.
4．理解經驗分布函數的概念和性質，會根據樣本值求經驗分布函數.

七、參數估計
考試內容
點估計的概念 估計量與估計值 矩估計法 最大似然估計法 估計量的評選標准 區間估計的概念單個正態總體均值的區間估計 單個正態總體方差和標准差的區間估計兩個正態總體的均值差和方差比的區間估計
考試要求
1．理解參數的點估計、估計量與估計值的概念；了解估計量的無偏性、有效性（最小方差性）和一致性（相合性）的概念，並會驗正估計量的無偏性.
2．掌握矩估計法（一階、二階矩）和最大似然估計法
3．掌握建立未知參數的（雙側和單側）置信區間的一般方法；掌握正態總體均值、方差、標准差、矩以及與其相聯系的數值特徵的置信區間的求法.
4．掌握兩個正態總體的均值差和方差比及相關數字特徵的置信區間的求法.

八、假設檢驗
考試內容
顯著性檢驗 假設檢驗的兩類錯誤 單個及兩個正態總體的均值和方差的假設檢驗
考試要求
1．理解\\「假設\\」的概念和基本類型；理解顯著性檢驗的基本思想，掌握假設檢驗的基本步驟；會構造簡單假設的顯著性檢驗.
2．理解假設檢驗可能產生的兩類錯誤，對於較簡單的情形，會計算兩類錯誤的概率.
3．掌握單個及兩個正態總體的均值和方差的假設檢驗.

試 卷 結 構

（－）總分 試卷滿分為150分
（二）內容比例 微積分約56％ 線性代數約22％ 概率論與數理統計約22％
（三）題型比例 填空題與選擇題約37％ 解答題（包括證明題）約63％
註：考試時間為 180分鍾

⑶ 在matlab中如何用遺傳演算法求極值

matlab有遺傳演算法工具箱。

核心函數：
(1)function [pop]=initializega(num,bounds,eevalFN,eevalOps,options)--初始種群的生成函數
【輸出參數】
pop--生成的初始種群
【輸入參數】
num--種群中的個體數目
bounds--代表變數的上下界的矩陣
eevalFN--適應度函數
eevalOps--傳遞給適應度函數的參數
options--選擇編碼形式(浮點編碼或是二進制編碼)[precision F_or_B],如
precision--變數進行二進制編碼時指定的精度
F_or_B--為1時選擇浮點編碼，否則為二進制編碼,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)--遺傳演算法函數
【輸出參數】
x--求得的最優解
endPop--最終得到的種群
bPop--最優種群的一個搜索軌跡
【輸入參數】
bounds--代表變數上下界的矩陣
evalFN--適應度函數
evalOps--傳遞給適應度函數的參數
startPop-初始種群
opts[epsilon prob_ops display]--opts(1:2)等同於initializega的options參數，第三個參數控制是否輸出，一般為0。如[1e-6 1 0]
termFN--終止函數的名稱,如['maxGenTerm']
termOps--傳遞個終止函數的參數,如[100]
selectFN--選擇函數的名稱,如['normGeomSelect']
selectOps--傳遞個選擇函數的參數,如[0.08]
xOverFNs--交叉函數名稱表，以空格分開，如['arithXover heuristicXover simpleXover']
xOverOps--傳遞給交叉函數的參數表，如[2 0;2 3;2 0]
mutFNs--變異函數表，如['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation']
mutOps--傳遞給交叉函數的參數表,如[4 0 0;6 100 3;4 100 3;4 0 0]

注意】matlab工具箱函數必須放在工作目錄下
【問題】求f(x)=x+10*sin(5x)+7*cos(4x)的最大值，其中0<=x<=9
【分析】選擇二進制編碼，種群中的個體數目為10，二進制編碼長度為20，交叉概率為0.95,變異概率為0.08
【程序清單】
%編寫目標函數
function[sol,eval]=fitness(sol,options)
x=sol(1);
eval=x+10*sin(5*x)+7*cos(4*x);
%把上述函數存儲為fitness.m文件並放在工作目錄下

initPop=initializega(10,[0 9],'fitness');%生成初始種群，大小為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次遺傳迭代

運算借過為：x =
7.8562 24.8553(當x為7.8562時，f（x）取最大值24.8553)

註：遺傳演算法一般用來取得近似最優解，而不是最優解。

遺傳演算法實例2

【問題】在－5<=Xi<=5,i=1,2區間內，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】種群大小10，最大代數1000，變異率0.1,交叉率0.3
【程序清單】
％源函數的matlab代碼
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;
%適應度函數的matlab代碼
function [sol,eval]=fitness(sol,options)
numv=size(sol,2)-1;
x=sol(1:numv);
eval=f(x);
eval=-eval;
%遺傳演算法的matlab代碼
bounds=ones(2,1)*[-5 5];
[p,endPop,bestSols,trace]=ga(bounds,'fitness')

註：前兩個文件存儲為m文件並放在工作目錄下，運行結果為
p =
0.0000 -0.0000 0.0055

大家可以直接繪出f(x)的圖形來大概看看f（x）的最值是多少，也可是使用優化函數來驗證。matlab命令行執行命令：
fplot('x+10*sin(5*x)+7*cos(4*x)',[0,9])

evalops是傳遞給適應度函數的參數，opts是二進制編碼的精度，termops是選擇maxGenTerm結束函數時傳遞個maxGenTerm的參數，即遺傳代數。xoverops是傳遞給交叉函數的參數。mutops是傳遞給變異函數的參數。

⑷ matlab,遺傳演算法，多目標函數求極值

如何用matlab求多目標函數求極值？實際上處理的方法和單目標是一樣的，你可以這樣來自定義目標函數。例如：

function [z1,z2,z3]=myfun(x)

z1=目標函數表達式 1

z2=目標函數表達式 2

z3=目標函數表達式 3

end

然後，用ga（）遺傳演算法函數調用其函數。調用格式：

fitnessfcn=@myfun;

nvars=變數數;

[x,fval,exitflag] = ga(fitnessfcn,nvars)

⑸ 用遺傳演算法求極值和求最大值在計算時哪裡的步驟不一樣

導數為零的點都是極值點，其中最大的點就是最大值點。
遺傳演算法不用在演算法中特意區分極值點和最大值點。
只有在求解多目標優化問題時涉及到非劣解的概念，這時求出的非劣解邊緣就是極值點（相對最優點）。
否則的話遺傳演算法最忌諱的就是陷入局部最優點（就是極值點），所以大家都盡量避免演算法收斂於局部極值點，沒有人特意去求所有的極值點的。

⑹ 如何用神經網路遺傳演算法求極值

===============學習神經網路可以到<神經網路之家>================
可以先用matlab神經網路工具箱訓練網路,當網路訓練好之後,把網路存起來.
然後編寫遺傳演算法,你知道,遺傳演算法是每代不斷迭代的,然後每代會根據適應度決定是否進入下一代,這里的適應度你就用sim(net,x)得到的值的倒數(或者類似的)作為適應度,然後其它就和遺傳演算法沒什麼兩樣了.最後得到的最優解, 就是網路的最優解. 也就是你要的結果了.
不過兄弟,這想法很牛B,很值得鼓勵這樣的想法.但我不得不說兩句,從實際角度來說,這樣的實現沒有太大的意義. 你的目的就是想從數據中找到Y最小的時候,X的什麼值, 但數據上畢竟只是數據,不管你怎麼繞,透露出來的信息還是有限的,不管怎麼繞,其實數據能提供最大限度的信息就是:在Y=10.88時,即X1=25,X2=24....X6=1.5時,Y是最小值的, 這是數據能提供的最大限度的信息,你再怎麼繞, 其實當你懂得神經網路的深層原理時,你會發現,你的方案並沒能挖掘出更優的解(因為數據的信息是有限的),這只是把自己繞暈了
不過能有這樣的想法,兄弟肯定是個學習的好材料,加油.
===============學習神經網路可以到<神經網路之家>================

⑺ 遺傳演算法求多元函數和一定條件下的函數極值

我覺得這個問題主要難點在建立滿足約束條件的初始種群，進化過程的編程很多地方都能找到。先建立一個Ax5的種群，A是種群里個體數量，然後對種群做一下處理：求出每個個體裡面的x1到x5的和sum，再把1/sum分別乘以那一行的每個值並置換掉，假設只有一個個體，處理後的種群就是[x1/sum,x2/sum,x3/sum,x4/sum,x5/sum]。也許還有其他辦法，我就想到這個

⑻ 用遺傳演算法解決下面函數的極值問題

這是個50維的極小值優化問題，首先要明白遺傳演算法是適合二進制處理的。因此首先要將每一維的實值xi編碼為長度為T的二進制串，這樣子基因長度就為50T。評估適應值，可以將基因中對應的xi的二進制串轉化為實值，然後代入函數求值，將該值作為適應值。具體之中的遺傳演算法過程可以採用經典的方法，這里不做解釋。

另外的，實值轉為二進制串的，這個有挺多方法，我這里介紹一種方法：

⑼ 用遺傳演算法求極值和求最大值在計算時哪裡的步驟不一樣

導數為零的點都是極值點，其中最大的點就是最大值點。

遺傳演算法不用在演算法中特意區分極值點和最大值點。

只有在求解多目標優化問題時涉及到非劣解的概念，這時求出的非劣解邊緣就是極值點（相對最優點）。

否則的話遺傳演算法最忌諱的就是陷入局部最優點（就是極值點），所以大家都盡量避免演算法收斂於局部極值點，沒有人特意去求所有的極值點的。

⑽ 有一個C#遺傳演算法程序求函數極值有的地方看不太懂，請大神解讀，最好詳細一點。

首先y=x*x在[0,31]這個函數的極值是取31的時候，用遺傳演算法來解答這樣的問題是有點多餘的。遺傳演算法的主要步驟是4步，初始化種群，選擇，交叉，變異。這里說的淘汰函數，很可能就是在選擇選擇運算元，這個運算元是根據最適合最優先的演算法來實現。舉個簡單的例子，你要用數字進行遺傳演算法，肯定得把他轉化為2進制的染色體，【0-31】就是從00000-11111，每條染色體5個基因。對於選擇運算來說，每次要從種群選擇最優的幾個，第一次完全是隨機的。假如隨機選4個染色體，選的4條染色體是1,2,3,4。很明顯他們的值是1,4,9,16，總和是30，那麼選擇4的概率就是30分之16，這樣就可以盡可能的選擇大的數值。這里的淘汰域3，可能是每次淘汰3條染色體，或者每次只選擇3條最優的染色體，視其選擇的條數而定。我看在程序里沒有用到這個東西。遺傳演算法以及進化演算法不限定於特殊的程序，每個人有不同的理解，不必拘泥於概念。