توضیح کد ژنتیک الگوریتم باینری
 

اگر امکانش هست لطفا کدی رو که می فرستم رو خط به خط توضیح بدید.ممنون

%



clear
%_________________________________________________ ____________
% I. Setup the GA
ff='testfunction'; % objective function
npar=2; % number of optimization variables

%_________________________________________________ ____________
% II. Stopping criteria
maxit=100; % max number of iterations
mincost=-9999999; % minimum cost

%_________________________________________________ ____________
% III. GA parameters
popsize=16; % set population size
mutrate=.15; % set mutation rate
selection=0.5; % fraction of population kept
nbits=8; % number of bits in each parameter
Nt=nbits*npar; % total number of bits in a chormosome
keep=floor(selection*popsize); % #population members that survive

%_________________________________________________ ____________
% Create the initial population
iga=0; % generation counter initialized
pop=round(rand(popsize,Nt)); % random population of 1s and 0s
par=gadecode(pop,0,10,nbits); % convert binary to continuous values
cost=feval(ff,par); % calculates population cost using ff
[cost,ind]=sort(cost); % min cost in element 1
par=par(ind,:); pop=pop(ind,:); % sorts population with lowest cost first
minc(1)=min(cost); % minc contains min of population
meanc(1)=mean(cost); % meanc contains mean of population

%_________________________________________________ ____________
% Iterate through generations
while iga<maxit
iga=iga+1; % increments generation counter

%_________________________________________________ ____________
% Pair and mate
M=ceil((popsize-keep)/2); % number of matings
prob=flipud([1:keep]'/sum([1:keep])); % weights chromosomes based upon position in list
odds=[0 cumsum(prob(1:keep))']; % probability distribution function
pick1=rand(1,M); % mate #1
pick2=rand(1,M); % mate #2

% ma and pa contain the indicies of the chromosomes that will mate
ic=1;
while ic<=M
for id=2:keep+1
if pick1(ic)<=odds(id) & pick1(ic)>odds(id-1)
ma(ic)=id-1;
end % if
if pick2(ic)<=odds(id) & pick2(ic)>odds(id-1)
pa(ic)=id-1;
end % if
end % id
ic=ic+1;
end % while

%_________________________________________________ ____________
% Performs mating using single point crossover
ix=1:2:keep; % index of mate #1
xp=ceil(rand(1,M)*(Nt-1)); % crossover point
pop(keep+ix,:)=[pop(ma,1:xp) pop(pa,xp+1:Nt)]; % first offspring
pop(keep+ix+1,:)=[pop(pa,1:xp) pop(ma,xp+1:Nt)]; % second offspring

%_________________________________________________ ____________
% Mutate the population
nmut=ceil((popsize-1)*Nt*mutrate); % total number of mutations
mrow=ceil(rand(1,nmut)*(popsize-1))+1; % row to mutate
mcol=ceil(rand(1,nmut)*Nt); % column to mutate
for ii=1:nmut
pop(mrow(ii),mcol(ii))=abs(pop(mrow(ii),mcol(ii))-1); % toggles bits
end % ii

%_________________________________________________ ____________
% The population is re-evaluated for cost
par(2:popsize,:)=gadecode(pop(2:popsize,:),0,10,nb its); % decode
cost(2:popsize)=feval(ff,par(2:popsize,:));

%_________________________________________________ ____________
% Sort the costs and associated parameters
[cost,ind]=sort(cost);
par=par(ind,:); pop=pop(ind,:);

%_________________________________________________ ____________
% Do statistics for a single nonaveraging run
minc(iga+1)=min(cost);
meanc(iga+1)=mean(cost);

%_________________________________________________ ____________
% Stopping criteria
if iga>maxit | cost(1)<mincost
break
end

[iga cost(1)]

end %iga

%_________________________________________________ ____________
% Displays the output
day=clock;
disp(datestr(datenum(day(1),day(2),day(3),day(4),d ay(5),day(6)),0))
disp(['optimized function is ' ff])
format short g
disp(['popsize = ' num2str(popsize) ' mutrate = ' num2str(mutrate) ' # par = ' num2str(npar)])
disp(['#generations=' num2str(iga) ' best cost=' num2str(cost(1))])
disp(['best solution'])
disp([num2str(par(1,:))])
disp('binary genetic algorithm')
disp(['each parameter represented by ' num2str(nbits) ' bits'])
figure(24)
iters=0:length(minc)-1;
plot(iters,minc,iters,meanc,'--');
xlabel('generation');ylabel('cost');
text(0,minc(1),'best');text(1,minc(2),'population average')

اگر امکانش هست این کد را خط به خط توضیح دهید .ممنون
%



clear
%_________________________________________________ ____________
% I. Setup the GA
ff='testfunction'; % objective function
npar=2; % number of optimization variables

%_________________________________________________ ____________
% II. Stopping criteria
maxit=100; % max number of iterations
mincost=-9999999; % minimum cost

%_________________________________________________ ____________
% III. GA parameters
popsize=16; % set population size
mutrate=.15; % set mutation rate
selection=0.5; % fraction of population kept
nbits=8; % number of bits in each parameter
Nt=nbits*npar; % total number of bits in a chormosome
keep=floor(selection*popsize); % #population members that survive

%_________________________________________________ ____________
% Create the initial population
iga=0; % generation counter initialized
pop=round(rand(popsize,Nt)); % random population of 1s and 0s
par=gadecode(pop,0,10,nbits); % convert binary to continuous values
cost=feval(ff,par); % calculates population cost using ff
[cost,ind]=sort(cost); % min cost in element 1
par=par(ind,:); pop=pop(ind,:); % sorts population with lowest cost first
minc(1)=min(cost); % minc contains min of population
meanc(1)=mean(cost); % meanc contains mean of population

%_________________________________________________ ____________
% Iterate through generations
while iga<maxit
iga=iga+1; % increments generation counter

%_________________________________________________ ____________
% Pair and mate
M=ceil((popsize-keep)/2); % number of matings
prob=flipud([1:keep]'/sum([1:keep])); % weights chromosomes based upon position in list
odds=[0 cumsum(prob(1:keep))']; % probability distribution function
pick1=rand(1,M); % mate #1
pick2=rand(1,M); % mate #2

% ma and pa contain the indicies of the chromosomes that will mate
ic=1;
while ic<=M
for id=2:keep+1
if pick1(ic)<=odds(id) & pick1(ic)>odds(id-1)
ma(ic)=id-1;
end % if
if pick2(ic)<=odds(id) & pick2(ic)>odds(id-1)
pa(ic)=id-1;
end % if
end % id
ic=ic+1;
end % while

%_________________________________________________ ____________
% Performs mating using single point crossover
ix=1:2:keep; % index of mate #1
xp=ceil(rand(1,M)*(Nt-1)); % crossover point
pop(keep+ix,:)=[pop(ma,1:xp) pop(pa,xp+1:Nt)]; % first offspring
pop(keep+ix+1,:)=[pop(pa,1:xp) pop(ma,xp+1:Nt)]; % second offspring

%_________________________________________________ ____________
% Mutate the population
nmut=ceil((popsize-1)*Nt*mutrate); % total number of mutations
mrow=ceil(rand(1,nmut)*(popsize-1))+1; % row to mutate
mcol=ceil(rand(1,nmut)*Nt); % column to mutate
for ii=1:nmut
pop(mrow(ii),mcol(ii))=abs(pop(mrow(ii),mcol(ii))-1); % toggles bits
end % ii

%_________________________________________________ ____________
% The population is re-evaluated for cost
par(2:popsize,:)=gadecode(pop(2:popsize,:),0,10,nb its); % decode
cost(2:popsize)=feval(ff,par(2:popsize,:));

%_________________________________________________ ____________
% Sort the costs and associated parameters
[cost,ind]=sort(cost);
par=par(ind,:); pop=pop(ind,:);

%_________________________________________________ ____________
% Do statistics for a single nonaveraging run
minc(iga+1)=min(cost);
meanc(iga+1)=mean(cost);

%_________________________________________________ ____________
% Stopping criteria
if iga>maxit | cost(1)<mincost
break
end

[iga cost(1)]

end %iga

%_________________________________________________ ____________
% Displays the output
day=clock;
disp(datestr(datenum(day(1),day(2),day(3),day(4),d ay(5),day(6)),0))
disp(['optimized function is ' ff])
format short g
disp(['popsize = ' num2str(popsize) ' mutrate = ' num2str(mutrate) ' # par = ' num2str(npar)])
disp(['#generations=' num2str(iga) ' best cost=' num2str(cost(1))])
disp(['best solution'])
disp([num2str(par(1,:))])
disp('binary genetic algorithm')
disp(['each parameter represented by ' num2str(nbits) ' bits'])
figure(24)
iters=0:length(minc)-1;
plot(iters,minc,iters,meanc,'--');
xlabel('generation');ylabel('cost');
text(0,minc(1),'best');text(1,minc(2),'population average')

توضیحاتش رو جلوش نوشته

clear پاک کردن صفحه نمایش در متلب. ff='testfunction استفاده از تابع محک از m فایل . npar برای تعداد متغیرها یا پارامترهای مسئله مثلا رنگ ماشین و وزن ماشین. maxit برای حداکثر تکرار یا همان حداکثر تعداد نسل. mincost کروموزومها یا بر اساس تابع هزینه سنجیده می شوند یا برازندگی اگر هزینه باشد کمترین هزینه بهتر است اگر برازندگی برعکس در اینجا براساس هزینه کار میکند گفته اگر هزینه این مقدار شد جواب بهینه پیدا و حلقه را تمام کن وگرنه ادامه. popsize اندازه جمعیت اولیه یا اصلی در اینجا 16 یهنی 16 تا کروموزوم . nbit تعداد بیتهای هر پارامتر. Nt تعداد بیتهای هر کروموزوم. mutrate نرخ جهش در اینجا 0.15 می باشد ما اینجا 16 کروموزوم که هر کدام 16 بیتی هستند داریم پس کل بیتها 256 می باشد حال 0.15 256 را حساب که می شود تعداد کل بیتهایی که باید جهش بخورند. selection نرخ انتخاب یعنی تعداد کروموزومهایی که نگه داشته می شوند تا برای ترکیب یا همان برش استفاده شود و ما بقی دور ریخته می شود توجه شود که در اینجا 0.5 یعنی نصف نگه دار و نصف بریز دور و قبل از این کار براساس تابع محک کروموزومها از بهترین به بدترین مرتب می شوند.keep تعداد کروموزومهایی که باید نگه داشته شوند در keep نگه داشته می شود در اینجا 16*0.5 که نتیجه می شود 8 و از آن floor یعنی کف گرفته می شود که می شود 8.iga یک متغیر کمکی برای حلقه pop. whileایجاد جمعیت اولیه تابع rand یک ماتریس به تعداد سطر popsize و ستون Nt که مقادیری بین 0 تا 1 می گیرند مثلا 0.2 ، تابع round این مقادیر را رند میکند از 0.5 به پایین 0 و به بالا 1 .تابع gadecode در یک m فایل موجود است که کار دیکد از مبنای 2 به 10 را عهده دار است.cost هزینه هر کروموزوم را حساب می کند. sort کروموزومها را براساس هزینه مرتب و در یک ماتریس می گذارد ind اندیس کروموزوم است. pop(ind':) جمعیتا اولیه یعنی pop را براساس اندیس بهترین به بدترین مرتب می کند.min می نیمم تابع هزینه کروموزومها را حساب و در بردار min ذخیره می کند در اینجا min(1) مربوط به نسل اول است.mean میانگین هزینه کروموزومها بر اساس هزینه. ما بقی برای بعد تایپ میکنم