遗传算法求极值

⑴ 如图，如何用这个PSO算法或遗传算法来求函数极值,用C语言编写代码

需要很多的子函数 %子程序：新物种交叉操作，函数名称存储为crossover.m function scro=crossover(population,seln,pc); BitLength=size(population,2); pcc=IfCroIfMut(pc);%根据交叉概率决定是否进行交叉操作，1则是，0则否 if pcc==1 chb=round(rand*(BitLength-2))+1;%在[1，BitLength-1]范围内随机产生一个交叉位 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：计算适应度函数，函数名称存储为fitnessfun.m function [Fitvalue,cumsump]=fitnessfun(population); global BitLength global boundsbegin global boundsend popsize=size(population,1);%有popsize个个体 for i=1:popsize x=transform2to10(population(i,:));%将二进制转换为十进制 %转化为[-2，2]区间的实数 xx=boundsbegin+x*(boundsend-boundsbegin)/(power(2,BitLength)-1); Fitvalue(i)=targetfun(xx);%计算函数值，即适应度 end %给适...
望采纳！

⑵ 您好，遗传算法 多元函数 极值求助

2008年数学三考试大纲
数 学 三

考试科目 微积分、线性代数、概率论与数理统计

微 积 分
一、函数、极限、连续
考试内容
函数的概念及表示法函数的有界性、单调性、周期性和奇偶性复合函数、隐函数、反函数、分段函数和隐函数基本初等函数的性质及图形 初等函数函数关系的建立
数列极限与函数极限的定义及其性质 函数的左极限和右极限无穷小和无穷大的概念及关系 无穷小的性质及无穷小的比较极限的四则运算 极限存在的两个准则：单调有界准则和夹逼准则两个重要极限：
,
函数连续的概念 函数间断点的类型 初等函数的连续性闭区间上连续函数的性质
考试要求
1．理解函数的概念，掌握函数的表示法，会建立简单应用问题的函数关系.
2．了解函数的有界性、单调性、周期性和奇偶性.
3．理解复合函数及分段函数的概念，了解反函数及隐函数的概念.
4．掌握基本初等函数的性质及其图形，理解初等函数的概念.
5．了解数列极限和函数极限（包括左、右极限）的概念.
6．理解无穷小的概念和基本性质，掌握无穷小的比较方法.了解无穷大的概念及其与无穷小的关系.
7．了解极限的性质与极限存在的两个准则，掌握极限四则运[wiki]算法[\\/wiki]则，会应用两个重要极限.
8．理解函数连续性的概念（含左连续与右连续）, 会判别函数间断点的类型.
9．了解连续函数的性质和初等函数的连续性，理解闭区间上连续函数的性质（有界性、最大值与最小值定理、介值定理），并会应用这些性质.

二、一元函数微分学
考试内容
导数和微分的概念 导数的几何意义和经济意义函数的可导性与连续性之间的关系 平面曲线的切线与法线导数和微分的四则运算 基本初等函数的导数复合函数、反函数和隐函数的微分法 高阶导数 一阶微分形式不变性微分中值定理 洛必达（L’Hospital）法则 函数单调性的判别 函数的极值函数图形的凹凸性、拐点及渐近线 函数图形的描绘函数的最大值与最小值
考试要求
1. 理解导数的概念及可导性与连续性之间的关系，了解导数的几何意义与经济意义（含边际与弹性的概念），会求平面曲线的切线[wiki]方程[\\/wiki]和法线方程.
2．掌握基本初等函数的导数公式、导数的四则运算法则及复合函数的求导法则，会求分段函数的导数会求反函数与隐函数的导法.
3．了解高阶导数的概念，会求简单函数的高阶导数.
4．了解微分的概念，导数与微分之间的关系以及一阶微分形式的不变性，会求函数的微分.
5．理解罗尔（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，掌握这四个定理的简单应用.
6．会用洛必达法则求极限.
7．掌握函数单调性的判别方法，了解函数极值的概念掌握函数极值、最大值和最小值的求法及其应用.
8．会用导数判断函数图形的凹凸性（注：在区间 内，设函数具有二阶导数，当 时， 的图形是凹的；当 时，的图形是凸的），会求函数图形的拐点和渐近线.
9．会描绘简单函数的图形.

三、一元函数积分学
考试内容
原函数和不定积分的概念 不定积分的基本性质基本积分公式 定积分的概念和基本性质定积分中值定理积分上限的函数及其导数 牛顿一莱布尼茨（Newton-Leibniz）公式不定积分和定积分的换元积分法和分部积分法 反常（广义）积分积分的应用
考试要求
1．理解原函数与不定积分的概念，掌握不定积分的基本性质和基本积分公式；掌握不定积分的换元积分法与分部积分法.
2．了解定积分的概念和基本性质，了解定积分中值定理，理解积分上限的函数并会求它的导数掌握牛顿一莱布尼茨公式以及定积分的换元积分法和分部积分法.
3．会利用定积分计算平面图形的面积、旋转体的体积和函数的平均值，会利用定积分求解简单的经济应用题.
4．了解反常积分的概念，会计算反常积分.

四、多元函数微积分学
考试内容
多元函数的概念 二元函数的几何意义 二元函数的极限与连续性的概念有界闭区域上二元连续函数的性质 多元函数偏导数的概念与计算多元复合函数的求导法与隐函数求导法 二阶偏导数 全微分多元函数的极值和条件极值、最大值和最小值 二重积分的概念、基本性质和计算无界区域上简单的广义二重积分
考试要求
1．了解多元函数的概念，了解二元函数的几何意义.
2．了解二元函数的极限与连续的概念，了解有界闭区域上二元连续函数的性质.
3．了解多元函数偏导数与全微分的概念，会求多元复合函数一阶、二阶偏导数，会求全微分，会用多元隐函数的偏导数.
4．了解多元函数极值和条件极值的概念，掌握多元函数极值存在的必要条件，了解二元函数极值存在的充分条件，会求二元函数的极值，会用拉格朗日乘数法求条件极值，会求简单多元函数的最大值和最小值，并会解决某些简单的应用问题.
5．了解二重积分的概念与基本性质，掌握二重积分的计算方法（[wiki]直角[\\/wiki]坐标、极坐标），了解无界区域上较简单的广义二重积分并会计算.

五、无穷级数
考试内容
常数项级数收敛与发散的概念收敛级数的和的概念 级数的基本性质与收敛的必要条件几何级数与p级数及其收敛性 正项级数收敛性的判别任意项级数的绝对收敛与条件收敛交错级数与莱布尼茨定理 幂级数及其收敛半径、收敛区问（指开区间）和收敛域 幂级数的和函数 幂级数在收敛区间内的基本性质 简单幂级数的和函数的求法
初等函数的幂级数展开式
考试要求
1．了解级数的收敛与发散、收敛级数的和的概念.
2．掌握级数的基本性质及级数收敛的必要条件，掌握几何级数及p 级数的收敛与发散的条件，掌握正项级数收敛性的比较判别法和比值判别法，会用根值判别法.
3．了解任意项级数绝对收敛与条件收敛的概念以及绝对收敛与收敛的关系，掌握交错级数的莱布尼茨判别法.
4．会求幂级数的收敛半径、收敛区间及收敛域.
5．了解幂级数在收敛区间内的基本性质（和函数的连续性、逐项微分和逐项积分），会求简单幂级数在其收敛区间内的和函数，并会由此求出某些数项级数的和.
6"掌握 、 、 、 及的麦克劳林（Maclaurin）展开式，会用它们将简单函数间接展开成幂级数.

六、常微分方程与差分方程
考试内容
微分方程的概念变量可分离的微分方程 齐次微分方程 一阶线性微分方程 线性微分方程解的性质及解的结构定理 二阶常系数齐次线性微分方程及简单的非齐次线性微分方程差分与差分方程的概念差分方程的通解与特解 一阶常系数线性差分方程微分方程与差分方程的简单应用
考试要求
1．了解微分方程及其阶、解、通解、初始条件和特解等概念.
2．掌握变量可分离的微分方程、齐次微分方程和一阶线性微分方程的求解方法.
3．会解二阶常系数齐次线性微分方程.
4. 了解线性微分方程解的性质及解的结构定理，会解自由项为多项式、指数函数、正弦函数、余弦函数，以及它们的和与乘积的二阶常系数非齐次线性微分方程.
5．了解差分与差分方程及其通解与特解等概念.
6．掌握一阶常系数线性差分方程的求解方法.
7．会用微分方程和差分方程求解简单的经济应用问题.
Back

线 性 代 数
一、行列式
考试内容
行列式的概念和基本性质 行列式按行（列）展开定理
考试要求
1．理解行列式的概念，掌握行列式的性质.
2. 会应用行列式的性质和行列式按行（列）展开定理计算行列式.

二、矩阵
考试内容
矩阵的概念 矩阵的线性运算 矩阵的乘法 方阵的幂方阵乘积的行列式
矩阵的转置 逆矩阵的概念和性质 矩阵可逆的充分必要条件 伴随矩阵矩阵的初等变换 初等矩阵 矩阵的秩矩阵的等价 分块矩阵及其运算
考试要求
1．理解矩阵的概念，了解单位矩阵、数量矩阵、对角矩阵、三角矩阵的定义和性质，理解对称矩阵、反对称矩阵及正交矩阵等的定义和性质.
2．掌握矩阵的线性运算、乘法、转置以及它们的运算规律，了解方阵的幂与方阵的乘积的行列式的性质.
3．理解逆矩阵的概念、掌握逆矩阵的性以及矩阵可逆的充分必要条件，理解伴随矩阵的概念，会用伴随矩阵求逆矩阵.
4．了解矩阵的初等变换和初等矩阵及矩阵等价的概念，理解矩阵的秩的概念，掌握用初等变换求矩阵的逆矩阵和秩的方法.
5．了解分块矩阵的概念，掌握分块矩阵的运算法则.

三、向量
考试内容
向量的概念 向量的线性组合与线性表示 向量组线性相关与线性元关 向量组的极大线性元关组 等价向量组 向量组的秩 向量组的秩与矩阵的秩之间的关系
向量的内积 线性无关向量组的正交规范化方法
考试要求
1．了解向量的概念，掌握向量的加法和数乘运算法则.
2．理解向量的线性组合与线性表示、向量组线性相关、线性无关等概念，掌握向量组线性相关、线性无关的有关性质及判别法.
3．理解向量组的极大无关组的概念，会求向量组的极大无关组及秩.
4．理解向量组等价的概念，理解矩阵的秩与其行（列）向量组的秩之间的关系.
5．了解内积的概念，掌握线性无关向量组正交规范化的施密特（Schmidt）方法

四、线性方程组
考试内容
线性方程组的克莱姆（Cramer）法则 线性方程组有解和无解的判定齐次线性方程组的基础解系和通解非齐次线性方程组的解与相应的齐次线性方程组（导出组）的解之间的关系非齐次线性方程组的通解
考试要求
1．会用克莱姆法则解线性方程组.
2. 掌握非齐次线性方程组有解和无解的判定方法.
3．理解齐次线性方程组的基础解系的概念，掌握齐次线性方程组的基础解系和通解的求法.
4．理解非齐次线性方程组的结构及通解的概念.
5. 掌握用初等行变换求解线性方程组的方法.

五、矩阵的特征值和特征向量
考试内容
矩阵的特征值和特征向量的概念、性质 相似矩阵的概念及性质 矩阵可相似对角化的充分必要条件及相似对角矩阵 实对称矩阵的特征值和特征向量及相似对角矩阵
考试要求
1．理解矩阵的特征值、特征向量等概念，掌握矩阵特征值的性质，掌握求矩阵特征值和特征向量的方法.
2．理解矩阵相似的概念、掌握相似矩阵的性质，了解矩阵可对角化的充分条件和必要条件，掌握将矩阵化为相似对角矩阵的方法.
3．掌握实对称矩阵的特征值和特征向量的性质.

六、二次型
考试内容
二次型及其矩阵表示 合同变换与合同矩阵 二次型的秩惯性定理 二次型的标准形和规范形正交变换和配方法化二次型为标准形 二次型及其矩阵的正定性
考试要求
1．了解二次型的概念，会用矩阵形式表示二次型，了解合同变换和合同矩阵的概念.
2．理解二次型的秩的概念，了解二次型的标准形、规范形等概念，了解惯性定理，会甩正交变换和配方法化二次型为标准形.
3．理解正定二次型、正定矩阵的概念，并掌握其判别法.

Back

概 率 论 与 数 理 统 计

一、随机事件和概率
考试内容
随机事件与样本空间 事件的关系与运算 完备事件组 概率的概念 概率的基本性质 古典型概率 几何型概率 条件概率 概率的基本公式 事件的独立性
独立重复事件
考试要求
1．了解样本空间（基本事件空间）的概念，理解随机事件的概念，掌握事件间的关系及运算.
2. 理解概率、条件概率的概念，掌握概率的基本性质，会计算古典型概率和几何型概率，掌握概率的加法、乘法公式、全概率公式及贝叶斯（Bayes）公式等.
3．理解事件的独立性的概念，掌握用事件独立性进行概率计算；理解独立重复试验的概念，掌握计算有关事件概率的方法.

二、随机变量及其分布
考试内容
随机变量 随机变量的分布函数及其性质 离散型随机变量的概率分布连续型随机变量的概率密度 常见随机变量的分布 随机变量函数的分布
考试要求
1．理解随机变量的概念；理解分布函数

的概念及性质；会计算与随机变量有关的事件的概率.
2．理解离散型随机变量及其概率分布的概念，掌握0-1分布、二项分布、几何分布、超几何分布、泊松（Poisson）分布 及其应用.
3. 理解泊松定理的结论和应用条件，会用泊松分布近似表示二项分布.
4．理解连续型随机变量及其概率密度的概念，掌握均匀分布 、正态分布、指数分布及其应用，其中参数为 的指数分布 的密度函数为

5．会求随机变量函数的分布.

三、多维随机变量的分布
考试内容
多维随机变量及其分布函数 二维离散型随机变量概率分布、边缘分布和条件分布、二维连续型随机变量的概率密度 边缘概率密度和条件密度 随机变量的独立性和不相关性 常见二维随机变量的分布 两个及两个以上随机变量的函数的分布
考试要求
1．理解多维随机变量的分布的概念和基本性质.
2．理解二维离散型随机变量的概率分布和二维连续型随机变量的概率密度.掌握二维随机变量的边缘概率分布和条件分布.
3．理解随机变量的独立性和不相关性的概念，掌握随机变量相互独立的条件；理解随机变量的不相关性与独立性的关系.
4．掌握二维均匀分布和二维正态分布 ，理解其中参数的概率意义．
5．会根据两个随机变量的联合分布求其函数的分布；会根据多个相互独立随机变量的联合分布求其函数的分布.

四、随机变量的数字特征
考试内容
随机变量的[wiki]数学[\\/wiki]期望（均值）、方差、标准差及其性质随机变量函数的数学期望 切比雪夫（Chebyshev）不等式矩、协方差、相关系数及其性质
考试要求
1．理解随机变量数字特征（数学期望、方差、标准差、矩、协方差、相关系数）的概念，会运用数字特征的基本性质，并掌握常用分布的数字特征.
2．会随机变量函数的数学期望.
3．掌握切比雪夫不等式.

五、大数定律和中心极限定理
考试内容
切比雪夫（Chebyhev）大数定律 伯努利（Bernoulli）大数定律 辛钦（Khinchine）大数定律 棣莫弗－拉普拉斯（De Moivre-Laplace）定理 列维－林德伯格（Levy-Lindberg）定理
考试要求
1．了解切比雪夫大数定律、伯努利大数定律和辛钦大数定律（独立同分布随机变量序列的大数定律）.
2．了解棣莫弗－拉普拉斯中心极限定理(二项分布以正态分布为极限分布)、列维—林德伯格中心极限定理(独立同分布随机变量序列的中心极限定理)，并会用相关定理近似计算有关随机事件的概率.

六、数理统计的基本概念
考试内容
总体 个体 简单随机样本 统计量 经验分布函数 样本均值 样本方方差和样本矩 分布 分布 分布 分位数 正态总体的常用抽样分布
考试要求
1．理解总体、简单随机样本、统计量、样本均值、样本方差及样本矩的概念，其中样本方差定义为：
.
2．了解产生 变量、 变量和 变量的典型模型；理解标准正态分布、 分布、分布和 分布的分位数，会查相应的数值表.
3．掌握正态总体的抽样分布：样本均值、样本方差、样本矩、样本均值差、样本方差比的抽样分布.
4．理解经验分布函数的概念和性质，会根据样本值求经验分布函数.

七、参数估计
考试内容
点估计的概念 估计量与估计值 矩估计法 最大似然估计法 估计量的评选标准 区间估计的概念单个正态总体均值的区间估计 单个正态总体方差和标准差的区间估计两个正态总体的均值差和方差比的区间估计
考试要求
1．理解参数的点估计、估计量与估计值的概念；了解估计量的无偏性、有效性（最小方差性）和一致性（相合性）的概念，并会验正估计量的无偏性.
2．掌握矩估计法（一阶、二阶矩）和最大似然估计法
3．掌握建立未知参数的（双侧和单侧）置信区间的一般方法；掌握正态总体均值、方差、标准差、矩以及与其相联系的数值特征的置信区间的求法.
4．掌握两个正态总体的均值差和方差比及相关数字特征的置信区间的求法.

八、假设检验
考试内容
显着性检验 假设检验的两类错误 单个及两个正态总体的均值和方差的假设检验
考试要求
1．理解\\“假设\\”的概念和基本类型；理解显着性检验的基本思想，掌握假设检验的基本步骤；会构造简单假设的显着性检验.
2．理解假设检验可能产生的两类错误，对于较简单的情形，会计算两类错误的概率.
3．掌握单个及两个正态总体的均值和方差的假设检验.

试 卷 结 构

（－）总分 试卷满分为150分
（二）内容比例 微积分约56％ 线性代数约22％ 概率论与数理统计约22％
（三）题型比例 填空题与选择题约37％ 解答题（包括证明题）约63％
注：考试时间为 180分钟

⑶ 在matlab中如何用遗传算法求极值

matlab有遗传算法工具箱。

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
【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。

⑷ matlab,遗传算法，多目标函数求极值

如何用matlab求多目标函数求极值？实际上处理的方法和单目标是一样的，你可以这样来自定义目标函数。例如：

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

z1=目标函数表达式 1

z2=目标函数表达式 2

z3=目标函数表达式 3

end

然后，用ga（）遗传算法函数调用其函数。调用格式：

fitnessfcn=@myfun;

nvars=变量数;

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

⑸ 用遗传算法求极值和求最大值在计算时哪里的步骤不一样

导数为零的点都是极值点，其中最大的点就是最大值点。
遗传算法不用在算法中特意区分极值点和最大值点。
只有在求解多目标优化问题时涉及到非劣解的概念，这时求出的非劣解边缘就是极值点（相对最优点）。
否则的话遗传算法最忌讳的就是陷入局部最优点（就是极值点），所以大家都尽量避免算法收敛于局部极值点，没有人特意去求所有的极值点的。

⑹ 如何用神经网络遗传算法求极值

===============学习神经网络可以到<神经网络之家>================
可以先用matlab神经网络工具箱训练网络,当网络训练好之后,把网络存起来.
然后编写遗传算法,你知道,遗传算法是每代不断迭代的,然后每代会根据适应度决定是否进入下一代,这里的适应度你就用sim(net,x)得到的值的倒数(或者类似的)作为适应度,然后其它就和遗传算法没什么两样了.最后得到的最优解, 就是网络的最优解. 也就是你要的结果了.
不过兄弟,这想法很牛B,很值得鼓励这样的想法.但我不得不说两句,从实际角度来说,这样的实现没有太大的意义. 你的目的就是想从数据中找到Y最小的时候,X的什么值, 但数据上毕竟只是数据,不管你怎么绕,透露出来的信息还是有限的,不管怎么绕,其实数据能提供最大限度的信息就是:在Y=10.88时,即X1=25,X2=24....X6=1.5时,Y是最小值的, 这是数据能提供的最大限度的信息,你再怎么绕, 其实当你懂得神经网络的深层原理时,你会发现,你的方案并没能挖掘出更优的解(因为数据的信息是有限的),这只是把自己绕晕了
不过能有这样的想法,兄弟肯定是个学习的好材料,加油.
===============学习神经网络可以到<神经网络之家>================

⑺ 遗传算法求多元函数和一定条件下的函数极值

我觉得这个问题主要难点在建立满足约束条件的初始种群，进化过程的编程很多地方都能找到。先建立一个Ax5的种群，A是种群里个体数量，然后对种群做一下处理：求出每个个体里面的x1到x5的和sum，再把1/sum分别乘以那一行的每个值并置换掉，假设只有一个个体，处理后的种群就是[x1/sum,x2/sum,x3/sum,x4/sum,x5/sum]。也许还有其他办法，我就想到这个

⑻ 用遗传算法解决下面函数的极值问题

这是个50维的极小值优化问题，首先要明白遗传算法是适合二进制处理的。因此首先要将每一维的实值xi编码为长度为T的二进制串，这样子基因长度就为50T。评估适应值，可以将基因中对应的xi的二进制串转化为实值，然后代入函数求值，将该值作为适应值。具体之中的遗传算法过程可以采用经典的方法，这里不做解释。

另外的，实值转为二进制串的，这个有挺多方法，我这里介绍一种方法：

⑼ 用遗传算法求极值和求最大值在计算时哪里的步骤不一样

导数为零的点都是极值点，其中最大的点就是最大值点。

遗传算法不用在算法中特意区分极值点和最大值点。

只有在求解多目标优化问题时涉及到非劣解的概念，这时求出的非劣解边缘就是极值点（相对最优点）。

否则的话遗传算法最忌讳的就是陷入局部最优点（就是极值点），所以大家都尽量避免算法收敛于局部极值点，没有人特意去求所有的极值点的。

⑽ 有一个C#遗传算法程序求函数极值有的地方看不太懂，请大神解读，最好详细一点。

首先y=x*x在[0,31]这个函数的极值是取31的时候，用遗传算法来解答这样的问题是有点多余的。遗传算法的主要步骤是4步，初始化种群，选择，交叉，变异。这里说的淘汰函数，很可能就是在选择选择算子，这个算子是根据最适合最优先的算法来实现。举个简单的例子，你要用数字进行遗传算法，肯定得把他转化为2进制的染色体，【0-31】就是从00000-11111，每条染色体5个基因。对于选择运算来说，每次要从种群选择最优的几个，第一次完全是随机的。假如随机选4个染色体，选的4条染色体是1,2,3,4。很明显他们的值是1,4,9,16，总和是30，那么选择4的概率就是30分之16，这样就可以尽可能的选择大的数值。这里的淘汰域3，可能是每次淘汰3条染色体，或者每次只选择3条最优的染色体，视其选择的条数而定。我看在程序里没有用到这个东西。遗传算法以及进化算法不限定于特殊的程序，每个人有不同的理解，不必拘泥于概念。