想发外链网遗传算法优化概率神经网络的MATLAB代码
其原理大致是，设定一个初始群体，群体中的个体代表平滑参数，经过遗传算法的筛选、交配、突变等操作，逐步寻找到最佳的spread，即为最终输出。
附带的GA-BP算法程序，尽管具体实现不同，但其原理相似，可供参考。
遗传算法的基本运算流程如下：
a) 初始化：设置迭代次数计数器t=0，设定最大迭代次数T，随机生成M个个体作为初始群体P(0)。
b) 个体评估：计算群体P(t)中各个个体的适应度。
c) 选择操作：将选择算子应用于群体。选择的目的是将优化的个体直接遗传至下一代，或通过配对交配产生新的个体再遗传至下一代。选择操作基于群体中个体的适应度评估。
d) 交配操作：将交配算子应用于群体。遗传算法中的核心操作即为交配算子。
e) 突变操作：将突变算子应用于群体。即对群体中个体串的某些基因座上的基因值进行变动。
群体P(t)经过选择、交配、突变等操作后，得到下一代群体P(t+1)。
f) 终止条件判断：若t=T，则以进化过程中适应度最高的个体作为最优解输出，终止计算。
用MATLAB遗传算法求解函数优化问题
在MATLAB中使用遗传算法求解函数优化问题时，需调用GA函数，这是遗传算法的具体实现。GA函数的调用格式为：X= GA(FITNESSFCN,NVARS,A,b,Aeq,beq,lb,ub,NONLCON,options)。其中，FITNESSFCN代表待优化的函数，NVARS表示变量的数量，lb和ub分别是变量的下界和上界。对于特定问题，你需要提供这四个参数的值，而其他参数可以暂时用[]代替。
需要注意的是，MATLAB的GA函数默认是寻找函数的最小值。如果你的目标是寻找函数的最大值，则需要将待优化的函数取负数，即编写如下函数：
function y=myfun(x)
y=-x.sin(10pi.*x)-2;
将这个函数保存为myfun.m文件，然后在MATLAB命令行中输入以下代码：x=ga(myfun,1,[],[],[],[],[1],[2])。执行后，可能会看到这样的输出结果：Optimization terminated: average change in the fitness value less than options.TolFun. x= 1.8506
这是因为遗传算法实际上是在指定的取值范围内随机选取初始值，然后通过遗传操作来寻找最优解。因此，每次运行的结果可能会有所不同。例如，再次运行相同的代码，你可能会得到类似的结果：Optimization terminated: average change in the fitness value less than options.TolFun. x= 1.6507
具体原因可以参考遗传算法的相关资料，了解其背后的原理和机制。
