很多朋友在碰到多变量值优化的问题的时候不能很好的将问题转化，利用有效编码的方法将解的个数，解的编码很好的很合理的进行设计，因此不能利用遗传算法进行问题的求解！

       其实，简单的来说，就是将多个变量的数值编码编排进去，进行组合，只需要增长基因个体的长度，但是要明确每个变量具体的位置，然后让每个变量转化成二进制的等长编码，组合在一起，就可以来运算了！

       当然，我们要利用一个矩阵去跟踪每组迭代的结果的大小：

trace = zeros(3,MAXGEN);

       然后，要构造一个译码矩阵FieldD，由bs2rv函数将种群Chrom根据译码矩阵换成时值向量，返回十进制的矩阵：

       且FieldD矩阵的结构如下：

FieldD=[len;lb;ub;code;scale;lbin;ubin];每个变量的含义最好搞清楚，不然得到的结果就不好了！

ObjV = Y.*sin(2*pi*X)+X.*cos(2*pi*Y); 当然我们也要有一个比较好的代价函数

这个是函数的主体部分：

while gen < MAXGEN
    FitnV = ranking(-ObjV);
    Selch = select(‘sus‘,Chrom,FitnV,GGAP);
    Selch = recombin(‘xovsp‘,Selch,px);
    Selch = mut(Selch,pm);
    XY = bs2rv(Selch,FieldD);
    X = XY(:,1);Y = XY(:,2);
    ObjvSel = Y.*sin(2*pi*X)+X.*cos(2*pi*Y);
    [Chrom,ObjV] = reins(Chrom,Selch,1,1,ObjV,ObjvSel);
    XY = bs2rv(Chrom,FieldD);
    gen = gen + 1;
    
    [Y,I] = min(ObjV);
    trace(1:2,gen) = XY(I,:);
    trace(3,gen) = Y;
end

当然我们也要先将目标函数显示出来，看看基本的函数的形式：

还有就是设计遗传算法的参数估计：基本上也都差不太多，更我上一篇博客基本一样！

NIND = 40;
MAXGEN = 50;
PRECI = 20;
GGAP = 0.95;
px = 0.7;
pm = 0.01;

经遗传算法之后，这个最优解的位置是：(图中标记蓝点的位置)

算法的迭代次数和优化的趋势是：

最优解是：X = -1.2624 Y = 1.9999 Z = -3.2563

使用遗传算法解决多变量函数优化问题！