如果您正在使用优化应用程序(optimtool），选择从下拉列表中选择一项或输入文本字段的选项的值。

如果你打电话遗传算法要么gamultiobj在命令行，创建选项使用函数optimoptions， 如下：

options = optimoptions('ga'，'Param1'， value1， 'Param2'， value2，…);% or options = optimoptions('gamultiobj'，'Param1'， value1， 'Param2'， value2，…);

看到在命令行设置选项举些例子。

它的标签，因为它出现在优化应用程序

通过在其字段名选项

人口类型是优化应用程序中选项的标签。

PopulationType对应的场是选项。

分数多样性（'gaplotscorediversity')绘制每一代分数的柱状图。

停止（“gaplotstopping”）地块停止标准水平。

家谱（“gaplotgenealogy”)绘制个人谱系。从一代到下一代的代码行被用颜色编码如下:

分数（'gaplotscores'）绘制每一代个体的分数。

距离（“gaplotdistance”）绘制在每一代个体之间的平均距离。

选择（“gaplotselection”)绘制父母的直方图。

最大约束（“gaplotmaxconstr”）绘制了最大非线性约束违反在每一代。为遗传算法，只适用于增广拉格朗日（“auglag”）非线性约束算法（NonlinearConstraintAlgorithm)选项。因此，不适用于整数约束问题，因为它们使用点球（'罚款')非线性约束算法。

自定义函数让您使用自己的绘图函数。要指定plot函数(如果使用优化应用程序)，

看到情节功能的结构。

最好的健身（'gaplotbestf'）绘制了最好的得分值和平均分数与一代。

最好的个人（'gaplotbestindiv')绘制每代适应度函数值最佳的个体的向量条目。

期望（'gaplotexpectation'）绘制的孩子对每一代的原始分数的预期数量。

范围（'gaplotrange'）绘制的最小值，最大值，和在每一代平均得分值。

帕累托前沿（'gaplotpareto'）绘制帕累托前面针对第一两个目标函数。

帕累托平均距离（'gaplotparetodistance')绘制出每个个体与其邻居之间距离的柱状图。

等级分布图（“gaplotrankhist”)绘制个体等级的柱状图。排名1的个体位于帕累托边界。第2级的个人比至少一个第1级的个人低，但不低于任何其他职级的个人，等等。

平均帕累托分布（“gaplotspread”）地块的平均价差为迭代次数的函数。

双矢量（“doubleVector”) -如果种群中的个体具有类型，请使用此选项双。将此选项用于混合整数编程。这是默认值。

位串（“位”) -使用此选项，如果在人群中的个人有组成部分是0要么1。

为创建函数（CreationFcn),变异函数（MutationFcn）， 采用统一的（“gacreationuniform”和“mutationuniform”） 要么习惯。为交叉功能（CrossoverFcn）， 采用零落（'crossoverscattered'),单点（“crossoversinglepoint”),两个点（'crossovertwopoint'）， 要么习惯。你不能使用混合功能和遗传算法忽略所有约束，包括边界、线性约束和非线性约束。

习惯——对交叉功能和变异函数,使用习惯。为创建函数,要么使用习惯，或提供初始种群。你不能使用混合功能和遗传算法忽略所有约束，包括边界、线性约束和非线性约束。

[]使用有关问题的默认创建功能。

统一的（“gacreationuniform”)创建一个具有均匀分布的随机初始种群。当没有线性约束或有整数约束时，这是默认值。均匀分布在初始种群范围内(InitialPopulationRange)。默认值为InitialPopulationRange是[10]-10;对于每个组件，或(-9999;10001)当存在整数约束时。这些界限被移动和缩放以匹配任何现有的界限磅和乌兰巴托。

可行的人口（“gacreationlinearfeasible”），当有线性约束和没有整数约束的缺省值，创建一个随机的初始群体，其满足所有边界和线性约束。如果存在线性约束，可行的人口创建于限制区域的界限许多人，并创造良好的人口分散。可行的人口忽略了初始范围（InitialPopulationRange)。

“gacreationlinearfeasible”调用linprog以创建相对于边界和线性约束可行人口。

有关显示其行为的示例，请参见遗传算法中的自定义标绘函数和线性约束。

非线性可行的人口（“gacreationnonlinearfeasible”的默认创建函数'罚款'非线性约束算法。有关详细信息,请参见约束参数。

习惯允许您编写自己的创建函数，该函数必须生成您在其中指定的类型的数据人口类型。，如果你使用的是优化应用程序指定创建功能，

如果您正在使用遗传算法，组

选项= optimoptions（ 'GA'， 'CreationFcn'，@ myfun）;

您的创建函数必须具有以下调用语法。

功能人口= myfun（GenomeLength，FitnessFcn，选项）

输入函数的自变量是：

函数返回人口，为遗传算法的初始种群。

传递额外的参数(Optimization Toolbox)说明如何向函数提供附加参数。

秩（'fitscalingrank'） - 默认的适应度变换功能，秩，根据每个人的排名而不是分数来衡量原始分数。一个个体的等级是它在排序分数中的位置。有地位的人[R已缩放的得分成比例 $$1/\sqrt{\mathrm{[R}}$$。所以，最适合个人的比例分数成正比1，下一个最适合的比例分数成正比 $$1/\sqrt{2}$$等等。等级适合度尺度消除了原始分数的扩散效果。与排名得分相比，平方根使排名较低的个体在得分上更接近相等。有关更多信息，请参见健身比例。

成比例的（'fitscalingprop'） - 比例缩放使得个体正比于它的原始适应得分换算值。

最佳（'fitscalingtop') -最上面的量表平等地衡量最上面的个人。选择最佳显示一个附加字段，数量，它指定被分配正换算值的个体的数量。数量可以是一个从1到总体大小的整数，也可以是一个从0到1的分数，指定总体大小的一个分数。默认值是0.4。的个人的每一个产生后代​​被分配相等的换算值，而其余的被指定值为0的定标值的格式为[01 / N 1 / N 0 0 1 / N 0 0 1 / N ...]。

要更改默认值数量在命令行，使用以下语法:

options = optimoptions('ga'，'FitnessScalingFcn'， {@fitscalingtop,quantity})

在哪里数量是的价值数量。

改变线性（“fitscalingshiftlinear”） - 移位线性缩放尺度原始分数，以使最适合的个体是对期望等于乘以平均得分的常数。您可以指定在恒马克斯存活率现场，当您选择其中显示改变线性。默认值是2。

的默认值马克斯存活率在命令行，可使用以下语法

选择= optimoptions(“遗传算法”,“FitnessScalingFcn”,…{@fitscalingshiftlinear,速度})

在哪里率是的价值马克斯存活率。

习惯让你写你自己的缩放功能。要使用优化的应用程序指定的缩放功能，

如果您正在使用遗传算法在命令行，set

选择= optimoptions(“遗传算法”,“FitnessScalingFcn”, @myfun);

你的缩放函数必须有以下调用语法:

功能期望= myfun（分数，nParents）

输入函数的自变量是：

函数返回期望中，相同的长度的标量的列向量分数，给群体的每个成员的换算值。的项的总和期望必须等于nParents。

传递额外的参数(Optimization Toolbox)说明如何向函数提供附加参数。

随机均匀（“selectionstochunif”） - 的遗传算法默认选择功能，随机均匀，绘制了一条直线，其中每个父元素对应于与所缩放的值成比例的长度直线的一段。算法沿着直线以相同的步长移动。在每个步骤中，算法从它所在的部分分配一个父节点。第一步是一个均匀随机数小于步长。

余（'selectionremainder') -余数选择从每个个体的比例值的整数部分确定性地分配父母，然后使用轮盘赌选择的剩余小数部分。例如，如果一个个体的缩放值是2.3，那么该个体将作为父元素被列出两次，因为整数部分是2。在按比例值的整数部分分配双亲之后，随机选择其余的双亲。在这一步中选择父元素的概率与它的比例值的小数部分成正比。

统一的（'selectionuniform') -统一选择选择父母的期望和父母的数量。统一选择对于调试和测试非常有用，但不是一个非常有效的搜索策略。

轮盘赌（'selectionroulette'） - 轮盘选择通过模拟轮盘，其中，对应于单个车轮的截面的面积正比于个体的期望选择的父母。该算法使用随机数来选择的概率的一个部分等于其面积。

比赛（'selectiontournament') -比赛选择通过选择选择每个父母比赛规模随机选择，然后从中选出最好的个体作为父母。比赛规模必须至少为2的默认值比赛规模是4。

的默认值比赛规模在命令行上，使用语法

选项= optimoptions（ 'GA'， 'SelectionFcn'，... {@ selectiontournament，大小}）

在哪里尺寸是的价值比赛规模。

当约束参数>非线性约束算法是点球，遗传算法使用比赛与大小2。

习惯使您能够编写自己的选择函数。要使用优化应用程序指定选择函数，

如果您正在使用遗传算法在命令行，set

选项= optimoptions（ 'GA'， 'SelectionFcn'，@ myfun）;

你的选择函数必须有以下调用语法:

函数双亲= myfun(期望，nParents，选项)

遗传算法提供输入参数期望，nParents和选项。你的函数返回父母的指数。

输入函数的自变量是：

函数返回父母长度的行向量nParents包含您选择的父索引。

传递额外的参数(Optimization Toolbox)说明如何向函数提供附加参数。

高斯（“mutationgaussian”) -无约束问题的默认突变函数，高斯，将从均值为0的高斯分布中提取的随机数添加到父向量的每个条目上。这个分布的标准差是由参数决定的规模和收缩当你选择要显示的高斯，而由初始范围设置在人口选项。

两者的默认值规模和收缩是1。要改变的默认值在命令行上，使用语法

options = optimoptions('ga'，'MutationFcn'，…{@mutationgaussian,规模,缩小})

在哪里规模和缩小的值规模和收缩,分别。

统一的（“mutationuniform”） - 一致突变是一个两步骤的过程。首先，算法选择用于突变的个体，其中，每个条目具有的概率的向量的条目的一小部分率被突变。的默认值率是0.01。在第二步骤中，该算法通过替换来自该条目的的范围内均匀地选择一个随机数的每个选定的条目。

的默认值率在命令行上，使用语法

选项= optimoptions（ 'GA'， 'MutationFcn'，{@mutationuniform，速率}）

在哪里率是的价值率。

自适应可行（“mutationadaptfeasible”)，当有约束时的默认突变函数，随机生成与最后一个成功或不成功生成相适应的方向。变异选择一个方向和步长，满足界限和线性约束。

习惯使您能够编写自己的突变函数。要使用优化app指定突变函数，

如果您正在使用遗传算法，组

选择= optimoptions(“遗传算法”,“MutationFcn”, @myfun);

你突变的功能必须有这样的调用语法：

功能mutationChildren = myfun（父母，选项，nvars，FitnessFcn，州，thisScore，thisPopulation）

函数的参数是

函数返回mutationChildren-THE突变后代-为其中行对应于孩子的矩阵。矩阵的列的数目是变量数。

传递额外的参数(Optimization Toolbox)说明如何向函数提供附加参数。

零落（'crossoverscattered'），对于没有线性约束问题的默认交叉功能，创建一个随机的二进制矢量，并且选择的基因，其中所述载体是从第一个亲本1，并且其中所述载体是从第二个亲本为0的基因，和联合的基因从而形成孩子。例如，如果P1和P2是我的父母

P1 = [A B C d E F G H] P2 = [1 2 3 4 5 6 7 8]

和二进制矢量为[1 1 0 0 1 0 0 0]，该函数返回下列子：

child1 = [A B 3 4 E 6 7 8]

单点（“crossoversinglepoint”）选择1和之间的随机整数n变量数然后

而交叉点为3，函数返回以下的孩子。

子= [A B C 4 5 6 7 8]

两个点（'crossovertwopoint')选择两个随机整数米和ñ之间1和变量数。功能选择

然后，该算法串接这些基因，以形成一个单一的基因。例如，如果P1和P2是我的父母

P1 = [A B C d E F G H] P2 = [1 2 3 4 5 6 7 8]

和交叉点是3和6，函数返回以下的孩子。

child = [a b c 4 5 6 g h]

中间（“crossoverintermediate”)，当存在线性约束时的默认交叉函数，通过对父类求加权平均值来产生子类。你可以用一个参数来指定权重，比，它可以是一个标量，也可以是一个长度的行向量变量数。默认值是所有1的向量。该函数从parent1和parent2使用下面的公式。

child = parent1 + rand *比*（parent2  -  parent1）

如果所有的条目比在[0,1]范围内，生成的子数据集位于超立方体中，超立方体的定义是将父数据集放置在相反的顶点上。如果比是不是在这个范围内，孩子可能在于超立方体之外。如果比是标量，那么所有的孩子趴在父母之间的界线。

的默认值比在命令行上，使用语法

选项= optimoptions（ 'GA'， 'CrossoverFcn'，... {@crossoverintermediate，比}）;

在哪里比是的价值比。

启发式（“crossoverheuristic”）返回一个孩子，包含两个父母的谎言就行了，一个小的距离与方向从与糟糕的适应值父远越好适应值父之遥。您可以指定孩子有多远是从更好的家长通过参数比，当您选择时将出现启发式。的默认值比是1.2。如果parent1和parent2是父母，和parent1具有更好的适应度值，函数返回子对象

子= parent2 + R *（parent1  -  parent2）;

的默认值比在命令行上，使用语法

选择= optimoptions(“遗传算法”,“CrossoverFcn”,…{@crossoverheuristic,比});

在哪里比是的价值比。

算术（“crossoverarithmetic”)创建的子元素是双亲的加权算术平均值。对于线性约束和界限，子结点总是可行的。

习惯使您可以编写自己的交叉功能。要使用优化的应用程序指定交叉功能，

如果您正在使用遗传算法，组

选择= optimoptions(“遗传算法”,“CrossoverFcn”, @myfun);

交叉函数必须具有以下调用语法。

xoverKids = myfun(父母，选项，nvars, FitnessFcn，…)未使用,thisPopulation)

函数的参数是

函数返回xoverKids——交叉分支——作为一个矩阵，其中行对应于子元素。矩阵的列的数目是变量数。

传递额外的参数(Optimization Toolbox)说明如何向函数提供附加参数。

方向（MigrationDirection) -迁移可以在一个或两个方向发生。

迁移包裹在亚群的末端。也就是说，最后一个亚群迁移到第1，和第一可迁移到最后。

时间间隔（MigrationInterval) -指定在迁移之间传递多少代。例如，如果你设置时间间隔来20.在美国，每隔20代就有一次迁徙。

分数（MigrationFraction） - 指定许多人亚群之间如何移动。分数指定的两个亚群的是移动的小的分数。例如，如果个人从50个人的一个亚群迁移到100个人的一个亚群和设置分数来0.1中，个人数，该数是迁移0.1 * 50 = 5。

ParetoFraction- 设置个人的分数保持在第一Pareto前沿，而从更高的战线上求解器选择个人。该选项是0和1之间的标量。

DistanceMeasureFcn- 定义的句柄功能，个人的单位计算距离度量，在决策变量空间计算（基因型，也称为设计变量空间），或在功能空间（表型）。例如，默认的距离测量功能是“distancecrowding”在功能空间，这是相同的{@ distancecrowding， '表型'}。

“距离”衡量的是群体中每个个体的拥挤程度。选择以下:

一代又一代（MaxGenerations) -指定遗传算法执行的最大迭代次数。默认值是100个* numberOfVariables。

时间限制（MAXTIME) -指定遗传算法在停止前运行的最大时间(以秒为单位)，由抽搐和TOC。这个限制在每次迭代之后执行，所以遗传算法当迭代花费大量时间时，可能会超过限制。

健身极限（FitnessLimit） - 该算法停止，如果最好的适应度值小于或等于的值健身极限。不适用于gamultiobj。

摊位代（MaxStallGenerations) -如果最优适应度函数值的平均相对变化超过，算法停止摊位代小于或等于功能公差。(如果失速测试（StallTest)选项“geometricWeighted”，则测试为几何加权平均相对变化。)对于非线性约束的问题，摊位代适用于子问题（见非线性约束求解算法)。

为gamultiobj中，如果在相对变化的几何平均传播帕累托解决方案的上金宝搏官方网站摊位代小于功能公差，而最后的利差比最后一次的平均利差要小摊位代，则算法停止。几何平均系数为1/2。价差是帕累托前沿的运动的度量。看到gamultiobj算法。

失速时间限制（MaxStallTime） - 该算法停止，如果在对一个时间间隔的最佳适合度值通过指定没有改善以秒失速时间限制，由抽搐和TOC。

功能公差（FunctionTolerance) -如果最优适应度函数值的平均相对变化超过，算法停止摊位代小于或等于功能公差。(如果StallTest选项“geometricWeighted”，则测试为几何加权平均相对变化。)

为gamultiobj中，如果在相对变化的几何平均传播帕累托解决方案的上金宝搏官方网站摊位代小于功能公差，而最后的利差比最后一次的平均利差要小摊位代，则算法停止。几何平均系数为1/2。价差是帕累托前沿的运动的度量。看到gamultiobj算法。

约束宽容（ConstraintTolerance） - 的约束宽容不用作停止标准。它被用来确定关于非线性约束的可行性。同时,MAX（开方（EPS），ConstraintTolerance）根据线性约束确定可行性。

选择自定义函数。

输入@myfun在文本框中，在那里myfun是函数的名称。写myfun同适当的语法。

为了将额外的参数输出功能，用途匿名函数(优化工具箱)。

对于多个输出函数，输入输出函数句柄的单元格数组:{@myfun1, @myfun2,…}。

从（“关”) -不显示输出。

迭代（'ITER') -信息显示在每个迭代。

诊断（“诊断”) -信息显示在每个迭代。此外，诊断还列出了一些问题信息和已从默认设置更改的选项。

最后（'最后'） - 原因是显示停止。

一代代数量

f-count-适应度函数评估的累积次数

最好的f (x)- 最佳适应度函数值

平均数F（X）- 平均适应度函数值

摊位代-代数自上次改进后的适应度函数

最大约束-最大非线性约束违反

从在优化app中

'最后'在选择使用创建optimoptions

当评估健身和约束功能（“UseVectorized”）是在串行（假),遗传算法在遍历种群时，每次只对一个个体调用适应度函数。(在命令行，假设是这样“UseParallel”是否为其默认值假。）

当评估健身和约束功能（“UseVectorized”）是矢量（真正),遗传算法一次对整个人群调用适应度函数，即，只需调用一次适应度函数。

如果有非线性约束，适应度函数和非线性约束都需要为了实现矢量化的算法来计算的矢量的方式。

看到矢量化的健身功能的一个例子。

当评估健身和约束功能（UseParallel）是并行（真正),遗传算法使用您建立的并行环境(参见如何使用全局优化工具箱并行处理)。在命令行，setUseParallel来假计算顺序。