图8.30 函数ackleyfcn的最佳适应度
假定想要实验利用其它的参数运行遗传算法，接着利用当前参数设置，此后再从最后种群重新运行算法。为此，进行以下步骤：
① 单击“Export to Workspace”按钮。 ② 在出现的对话框中：
- 选择“Export problem and options to a MATLAB structure named”。 - 在文本框中输入问题和参数的名称，例如ackley_uniform。
- 选择“Include information needed to resume this run（包括所需信息以恢复本次运行）”。
做了这些选择后的对话框如图8.31所示。
图8.31 在输出窗口对话框中做适当选择
③ 单击OK按钮。
问题和参数被输出到MATLAB工作空间的一个结构体中。在MATLAB命令窗口输入下面的信息就可以观察这个结构体：
161
ackley_uniform ackley_uniform =
fitnessfcn： @ackleyfcn genomelength： 10 options： [1x1 struct]
利用不同的参数设置，甚至是不同的适应度函数，在运行遗传算法之后，都能够按照如下步骤来恢复问题：
① 从“File”菜单，选择“Import Problem ”菜单项。打开的对话框如图8.32所示。
图8.32 GA问题输入窗口
② 选择ackley_uniform。 ③ 单击按钮“Import”。
这样就把“Population”选项中的“Initial population”字段设置成输出问题之前运行的最后种群。在运行期间，所有其它参数恢复它们的设置。当单击Start按钮时，遗传算法从被保存的最后种群重新运行。图8.33所示为初始运行和重新运行的最佳适应度图形。
第一次运行 从这里继续运行
图8.33 初始运行和重新运行的最佳适应度
162
注意：如果在利用所导入问题运行遗传算法之后，想要恢复遗传算法生成一个随机初始种群的缺省行为，可删除“Initial population”字段中设置的种群，而代之以空的中括号‘[ ]’。 8.3.1.11 生成M文件
在遗传算法工具中，要利用特定的适应度函数和参数生成运行遗传算法的M文件，可从“File”菜单选择“Generate M-File（生成M文件）”菜单项，并把生成的M文件保存到MATLAB路径的一个目录。
在命令行调用这个M文件时，返回的结果与利用在遗传算法工具中生成M文件时的适应度函数和参数所得到的结果一致。
8.3.2 从命令行使用遗传算法
使用遗传算法，也可以从命令行运行遗传算法函数ga。这方面的内容主要包括：利用缺省参数运行ga；在命令行设置ga的参数；使用遗传算法工具的参数和问题结构；复现运行结果；以前一次运行的最后种群重新调用函数ga；从M文件运行ga。 8.3.2.1 利用缺省参数运行ga
利用缺省参数运行遗传算法，以下面语句调用ga
[x fval] = ga(@fitnessfun,nvars)
其中：
? @fitnessfun — 计算适应度函数值的M文件的函数句柄。 ? nvars —适应度函数中独立变量的个数。 ? x — 返回的最终点。
? fval — 返回的适应度函数在x点的值。 例如，运行例子Rastrigin函数，从命令行输入
[x fval] = ga(@rastriginsfcn,2)
这将返回
x =
0.0027 -0.0052 fval =
0.0068
为了得到遗传算法更多的输出结果，可以用下面语句调用ga
[x fval reason output population scores] = ga(@fitnessfcn, nvars) 除了输出变量x和fval之外，增加了以下输出变量 ? “reason（原因）”— 算法停止的原因。
? “output（输出）”— 包含关于算法在每一代性能的结构体。 ? “population（种群）”— 最后种群。 ? “scores（得分）”— 最终得分值。 8.3.2.2 在命令行设置ga的参数
遗传算法工具中的参数可以指定为任何有效的参数值，设置参数使用下面语句：
[x fval] = ga(@fitnessfun,nvars,options) 使用函数gaoptimset生成一个参数结构体。
options = gaoptimset
返回带有缺省值的参数结构体：
options =
163
PopulationType： 'doubleVector' PopInitRange： [2x1 double] PopulationSize： 20 EliteCount： 2
CrossoverFraction： 0.8000 MigrationDirection： 'forward' MigrationInterval： 20 MigrationFraction： 0.2000
Generations： 100 TimeLimit： Inf fitnessLimit： -Inf StallLimitG： 50 StallLimitS： 20 InitialPopulation： [ ] InitialScores： [ ] PlotInterval： 1
CreationFcn： @gacreationuniform fitnessScalingFcn： @fitscalingrank
SelectionFcn： @selectionstochunif CrossoverFcn： @crossoverscattered MutationFcn： @mutationgaussian HybridFcn： [ ] Display： 'final' PlotFcns： [ ] OutputFcns： [ ] Vectorized： 'off'
如果没有给某一参数项输入新的值，则函数ga使用其缺省值。
每一个参数的值都存放在参数结构体中，例如options.PopulationSize。可以通过输入参数的名称显示参数的值。例如，显示遗传算法种群的大小，可输入
options.PopulationSize ans =
20
改变参数结构体中成员值，例如，设置PopulationSize值等于100，代替它的缺省值20，可输入
options = gaoptimset('PopulationSize',100)
参数结构体中，PopulationSize为100，其它值都为缺省值或当前值。
这时，再输入
ga(@fitnessfun,nvars,options)
函数ga将以种群中个体为100运行遗传算法。
如果想接着改变参数结构体其它成员的值，例如设置PlotFcns为@gaplotbestf，画出每一代最佳适应度函数值图形，则可用下面语句调用函数gaoptimset
options = gaoptimset(options,'PlotFcns',@plotbestf)
这里保持了参数的所有当前值，除PlotFcns之外，它改变为@plotbestf。注意，如果省略输入自变量参数options，那么函数gaoptimset重新置PopulationSize为它的缺省值20。
也可以利用一个语句来同时设置两个参数PopulationSize和PlotFcns：
options = gaoptimset('PopulationSize',100,'PlotFcns',@plotbestf)
164