法，实际上它的功能十分强大，能够用于求解一些难以用常规数学手段进行求解的问题，尤其适用于求解多目标、多约束，且目标函数形式非常复杂的优化问题。但是遗传算法也有一些缺点，最为关键的一点，即没有任何理论能够证明遗传算法一定能够找到最优解，算法主要是根据概率论的思想来寻找最优解。因此，遗传算法所得到的解只是一个近似解，而不一定是最优解。（2）数学模型
对于求解该问题遗传算法的构造过程：（1）确定决策变量和约束条件；
fMATLAB课程遗传算法实验报告及源代码
（2）建立优化模型；（3）确定编码方法：用2个实数分别表示两个决策变量，分别将的定义域离散化为从离散点512到离散点512的Size个实数。（4）确定个体评价方法：个体的适应度直接取为对应的目标函数值，即
Fxfx1x2x3设计遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算
子，变异运算使用基本位变异算子（6）确定遗传算法的运行参数：群体大小M500，终止进化代数G200，交叉概率
Pc090，采用自适应变异概率即变异概率与适应度有关，适应度越小，变异概率越大。简化数学模型：基本遗传算法可定义为一个7元组：GA＝MFscmpcpmM群体大小；F个体适应度评价函数；s选择操作算于；c交叉操作算子：m变异操作算于；pc交叉概率；pm变异概率；
三、实验过程记录（含基本步骤、程序代码及异常情况记录等）（60分）
基本步骤：
第一步：确定决策变量及各种约束条件，即确定出个体的表现型X和问题的解空间；第二步：建立优化模型，即确定出目标函数的类型及数学描述形式或量化方法；第三步：确定表示可行解的染色体编码方法，即确定出个体的基因型x及遗传算法的搜索空间；第四步：确定解码方法，即确定出由个体基因型x到个体表现型X的对应关系或转换方法；第五步：确定个体适应度的量化评价方法，即确定出由目标函数值到个体适应度的转换规则；
fMATLAB课程遗传算法实验报告及源代码
第六步：设计遗传算子，即确定选择运算、交叉运算、变异运算等遗传算子具体操作方法。
第七步：确定遗传算法有关运行参数，即MGPcPm等参数。

程序代码：
程序1：主程序
程序源代码主程序：用遗传算法求解函数优化问题。函数名称存储为mai
m清空环境clcclear
遗传算法参数maxge
30sizepop100pcross06pmutatio
001le
chrom111
进化r