%%??題目：?求f（x）?=??x+?10sin（5x）?+7cos（4x）的最大值?，x是[010]

%%??初始化參數
clc?;
clear?all;
NP=50;?%種群數量
L=20?;??%基因位數
Pc=0.8;
Pm=0.1;
G?=?100;?%?迭代次數
Xs=10;?%上限
Xx=0;??%下限??
f=randi（[01]NPL）;??%隨機獲得初始種群矩陣

%%?遺傳算法循環
for?k?=1?:?G??%迭代次數
???%%?將二進制解碼為定義域范圍內十進制
???for?i=1:NP
?????U?=f（i:）;??
?????m=0;
?????for?j=1:L
?????????m=U（j）*2^（j-1）+m;
????????%disp（m）;
?????end??
?????x（i）=Xx+m*（Xs-Xx）/（2^L-1）;??%為[010]內的實數
?????Fit（i）?=?func1（x（i））;??%每個個體的適應度，即每個x對應的函數值
???end
??%%?最優和最劣質個體
???maxFit?=?max（Fit）;??%求Fit矩陣中的最大值
???minFit?=?min（Fit）;???%求Fit矩陣中的最小值
???rr=find（Fit==maxFit）;???%找出Fit數組中==maxFit的那個值的下標，給rr
???%?disp（rr）;
???fBest?=?f（rr（11）??:）;?%歷代最優個體
???%?disp（rr（11））;
???xBest=x（rr（11））;?%歷代最優個體所對應的x值
???Fit?=（Fit-minFit）?/?（maxFit?-?minFit）?;?%歸一化適應度值，是一個權重，即：各個適應度值與最大適應度值得差距，用概率表現出來
???%%?輪盤賭選擇復制??????
???sum_Fit?=?sum（Fit）?;
???fitvalue?=?Fit?./sum_Fit?;???%選擇概率，將Fit的每個元素除以sum_Fit
???fitvalue?=?cumsum（fitvalue）?;?%累積概率
???ms?=?sort?（rand（NP1））?;???%產生NP個0~1之間的隨機數，并且升序排序
???fiti?=1;
???newi=1;
???while?newi<=NP??%輪盤開始轉，一共轉NP次
???????if（ms（newi）???????????nf（newi:）?=?f（fiti??:）?;?%?把個體給新的種群
???????????newi?=?newi?+?1;
???????else
???????????fiti=fiti?+1;
???????end
???end
???%%??交叉_均勻交叉
???for?i?=?1:2:NP???%?從1到NP?，每隔兩個
???????p?=?rand?;???
???????if?p???????????q=randi（[01]1L）;
???????????for?j?=1:L
???????????????if?q（j）?==?1;
???????????????????temp=nf（i+1j）;
???????????????????nf（i+1j）?=?nf（ij）;
???????????????????nf（ij）?=?temp;
???????????????end
???????????end
???????end
???end
???%%?變異
???i?=?1;
???while?i<=round（NP*Pc）???%?四舍五入
???????h=randi（[1NP]11）?;?%隨機選取一個需要變異的染色體
???????for?j?=?1:round（L*Pc）
???????????g?=?randi（[120]11）;%隨機選取需要變異的基因數
???????????%g=rand;
???????????nf（hg）?=?~?nf（hg）;
???????end
???????i=i+1;
???end
???f?=?nf?;?????????????????%把新的種群賦值給f?，以方便下一輪循環
???f?（1:）?=fBest?;??????%?保留最優個體在新種群中
???trace（k）=maxFit?;%歷代最優適應度
end
xBest?;%最優個體
%%?畫圖
figure?
plot（trace）
xlabel（‘迭代次數‘）
ylabel（‘目標函數值‘）
title（‘適應度進化曲線‘）