TUGAS UAS ALGORITMA GENETIKA

%Mengubah bil Interger menjadi bilangan biner

%Masukan 

%BilInterger : bilangan interger

%JumBit : Jumlah bit yang diinginkan

%keluaran

%BilBiner : bilangan biner, matrix berukuran 1xJumBit

function BilBiner = Int2Bin(BilInterger,JumBit);

for ii=1:JumBit,

    if mod(BilInterger,2)==0,

        BilBiner(JumBit+1-ii)=0;

    else

        BilBiner(JumBit+1-ii)=1;

    end

    BilInterger=fix(BilInterger/2);

end

Read More

Penjelasan Listing program algoritma genetik implementasi Matlab

(TOOLBOX MATLAB)

function [B,A]=GadposE0(gen,pop,Jenis); %mendeklarasikan fungsi lokal GadposE0 dengan 3 variabel yaitu generasi,populasi, dan jenis

% Program Optimalisasi model kontrol PID servomotor dengan GA

% Output arguments berupa koefisien PID (K_P, K_I, K_D) , A dan K_Tach

% Input argument berupa kontrol ‘posisi’

global inpxOpts inpmOpts inpselectOps inpbounds bounds; % input argumen global yaitu koefisien ceossover, koefisien mutasi, dan koefesien seleksi

  

rand('seed',0); r %random

switch lower(Jenis) %memeriksa nilai ‘jenis’

case 'posisi', disp('Keofisien posisi') %jika input adala ‘posisi’ maka akan muncul ‘Koefisien Posisi’

   GadEvalposE0(0); % memanggil fungsi GadEvalposE0

function [sol,val] = GadEvalposE0(sol,options) %membuat fungsi dengan nama GadEvalposE0 dengan dua variabel yaitu sol dan options

global inpxOpts inpmOpts inpselectOps inpbounds; %input fungsi global yaitu koefisien crossover, koefisien mutasi, dan koefisien seleksi

  

inpxOpts = [2 0;2 3;2 0];               %nilai Koefisien Crossover

inpmOpts = [2 0 0;2 0 0];              %nilai Koefisien Mutasi

inpselesctOps = [0.04];                 %nilai Koefisien Seleksi

if nargin==2

% Note: 1 oz-in = 7.0615e-3 N.m          

        Ebalik=0.0708;                      %nilai Ebalik motor                

        Torsi=10.02*7.0615e-3;        %nilai torsi motor

        B=9.55e-4*7.0615e-3;          %nilai B motor

        Resistan=1.64;                      %nilai resistansi motor

        ilitan=3.39e-3;                       %jumlah lilitan motor

        J=0.0108*7.0615e-3;            %nilai J motor

     jarak=1.57;                               %nilai jarak motor

  k=0;                     %memisalkan varibel k dengan nilai 0

   for t=0:0.001:0.1 %untuk t=0, 0.001, dan 0.1   

      k=k+1;                        %maka nilai k sekarang sama dengan nilai k sebelumnya ditambah 1

      if t>0.01   %jika t besar dari 0.1

          G(k)=jarak;  %maka nilai G(k) samadengan nilai jarak

          GG(k)=G(k);  %nilai GG(k) sama dengan G(k)         

      Else %jika tidak

          G(k)=jarak*(t/0.01);%maka nilai G(k)=jarak*(t/0.01)

          GG(k)=G(k); %nilai GG(k) sama dengan G(k)         

      end      %logika if berakhir           

   end;    %logika for berakhir

c1=(jarak*sol(4)*Torsi*sol(3));      %-(0.01*ilitan);

           c2=(jarak*sol(4)*Torsi*sol(1));       %-(0.01*Resistan);

           c3=jarak*sol(4)*Torsi*sol(2);

           u1=(ilitan*J);

           u2=ilitan*B+Resistan*J;

           u3=Resistan*B+(sol(4)*Torsi*sol(5))+(Ebalik*Torsi)+(sol(4)*Torsi*sol(3));

           u4=sol(4)*Torsi*sol(1);

           u5=sol(4)*Torsi*sol(2);

  

   T=0:0.001:0.1;

   %G

   num={[c1 c2 c3]};

   den={[u1 u2 u3 u4 u5]};

   h=tf(num,den);

   F=step(h,T);

   FF=F';

   HH=FF;

   %HH

   Er1=HH-G;

   Er2=GG-HH;

   Err1=Er1.^2;

   Err2=Er2.^2;

   Error1=Err1*ones(k,1);

   Error2=Err2*ones(k,1);

   val=10/(Error1+Error2);

end 

bt1=[0 200]; 

bt2=[0 2

00];

bt3=[0 1]; 

bt4=[2 200]; 

bt5=[0.01 1];

inpbounds = [bt1;bt2;bt3;bt4;bt5];

  evalFn = 'GadEvalposE0'; %pemberian nilai variabel

   jumpop=pop; %inisialisasi varibel jumlah populasi=populasi

      bounds = inpbounds; %membuat variabel bounds = fungsi global baounds

      gaOpts=[1e-6 1 1]; %koefisien ga optimasi

      startPop = initializega(jumpop,bounds,'GadEvalposE0',[1e-6 1]); %membuat variabel satrtpop = menginisialisasi beberapa variabel

otherwise, disp('Jenis tak diketahui') %jika tidak sesuai maka akan ditampilkan ‘jenis tak diketahui’

end %logika swicth berakhir

%flops(0);

% Crossover Operators

xFns = 'arithXover heuristicXover simpleXover'; %inisialisasi operator-operator Crossover yaitu arith Crossover, Heuristic Crosover, dan Simple Crosover

function [c1,c2] = arithXover(p1,p2,bounds,Ops) %membuat fungsi arithXover dengan 4 variabel

%p1 – orangtua pertama

%p2- orangtua kedua

% bounds - batas matriks untuk ruang solusi

% Ops - Pilihan matriks untuk arit crossover [gen #ArithXovers]

% Pilih jumlah mix acak

a = rand; %membuat variabel a dengan nilai = random

% Buat anak-anak

c1 = p1*a     + p2*(1-a); %nilai anak pertama

c2 = p1*(1-a) + p2*a;              %nilai anak kedua

function [c1,c2] = heuristicXover(p1,p2,bounds,Ops)

% p1 - orang tua pertama ([nilai fungsi string solusi])

% p2 - induk kedua ([nilai fungsi string solusi])

% bounds - batas matriks untuk ruang solusi

% Ops - Pilihan untuk crossover heuristik, [gen #heurXovers number_of_retries]

retry=Ops(3);                                      % Number of retries

i=0;

good=0;

b1=bounds(:,1)';

b2=bounds(:,2)';

numVar = size(p1,2)-1;

% Tentukan orang tua terbaik dan terburuk

if(p1(numVar+1) > p2(numVar+1))

  bt = p1;

  wt = p2;

else

  bt = p2;

  wt = p1;

end

while i<retry

% Pilih jumlah mix acak

  a = rand;

 % Buat anak

  c1 = a * (bt - wt) + bt;

 

  % Periksa untuk melihat apakah anak dalam batas

  if (c1(1:numVar) <= b2 & (c1(1:numVar) >= b1))

    i = retry;

    good=1;

  else

    i = i + 1;

  end

end

% Jika anak baru tidak layak kembalikan anak baru

if(~good)

  c1 = wt;

end

% FungsiCrossover mengembalikan dua anak sehingga mengembalikan yang terbaik

% dan anak baru dibuat

c2 = bt;

function [c1,c2] = simpleXover(p1,p2,bounds,Ops)   %membuat fungsi simpleXover

% p1 - orang tua pertama ([nilai fungsi string solusi])

% p2 - induk kedua ([nilai fungsi string solusi])

%bounds- batas matriks untuk ruang solusi

% Ops - Pilihan matriks untuk crossover sederhana [gen #SimpXovers].

numVar = size(p1,2)-1;                                   % Dapatkan jumlah variabel

% Pilih titik potong secara acak dari 1-angka vars

cPoint = round(rand * (numVar-2)) + 1;

a

c1 = [p1(1:cPoint) p2(cPoint+1:numVar+1)]; % Buat anak-anak

c2 = [p2(1:cPoint) p1(cPoint+1:numVar+1)];

xOpts = inpxOpts; %membuat variabel xopts=koefisien Crossover

% Mutation Operators

mFns = 'boundaryMutation unifMutation'; %inisialisasi operator-operator mutasi yaitu boundary mutasi dan unif mutasi

function [parent] = boundaryMutate(parent,bounds,Ops)    %membuat fungsi boundari mutasi

% parent - orang tua pertama ([nilai fungsi string solusi])

%bounds- batas matriks untuk ruang solusi

% Ops - Opsi untuk boundaryMutation [gen #BndMutations]

numVar = size(parent,2)-1;              % Dapatkan jumlah variabel

% Pilih variabel untuk bermutasi secara acak dari 1-angka vars

mPoint = round(rand * (numVar-1)) + 1;

b = round(rand)+1;                           % Pilih yang terikat untuk pindah

newValue = bounds(mPoint,b);                    % Sekarang bermutasi titik itu

parent(mPoint) = newValue;                        % Buat anak itu

function [parent] = uniformMutate(parent,bounds,Ops) %membuat fungsi uni mutasi

% parent  - orangtua pertama ([nilai fungsi string solusi])

% bounds  - matriks batas untuk ruang solusi

% Ops     - Opsi untuk uniformMutation [gen #UnifMutations]

df = bounds(:,2) - bounds(:,1);         % Rentang variabel

numVar = size(parent,2)-1;              % Dapatkan jumlah variabel

% Pilih variabel untuk bermutasi secara acak dari 1-angka vars

mPoint = round(rand * (numVar-1)) + 1;

newValue = bounds(mPoint,1)+rand * df(mPoint); % Sekarang bermutasi titik itu

parent(mPoint) = newValue;                        % Buat anak itu

mOpts = inpmOpts; %membuat variabel mopts=koefisien mutasi

% Termination Operators

termFns = 'maxGenTerm'; %inisialisasi operator terminasi yaitu maxgenterm

function [done] = maxGenTerm(ops,bPop,endPop)

% ops    - vektor opsi [current_gen maximum_generation]

% bPop   - matriks solusi terbaik [generation_found solution_string]

% endPop - generasi solusi saat ini

currentGen = ops(1);

maxGen     = ops(2);

done       = currentGen >= maxGen;

termOps = gen; % Generations

% Selection Function

selectFn = 'roulette'; %inisialisasi operator seleksi yaitu roulette

function[newPop] = roulette(oldPop,options)

%newPop  - populasi baru yang dipilih dari oldPop

%oldPop  - populasi saat ini

%options - options [gen]

% Dapatkan parameter populasi

numVars = size(oldPop,2);

numSols = size(oldPop,1);

% Hasilkan probabilitas seleksi relatif

totalFit = sum(oldPop(:,numVars));

prob=oldPop(:,numVars) / totalFit;

prob=cumsum(prob);

rNums=sort(rand(numSols,1));                    % Hasilkan angka acak

% Pilih individu dari oldPop ke yang baru

fitIn=1;newIn=1;

while newIn<=numSols

  if(rNums(newIn)<prob(fitIn))

    newPop(newIn,:) = oldPop(fitIn,:);

    newIn = newIn+1;

  else

    fitIn = fitIn + 1;

  end

end

selectOps = inpselectOps; % membuat variabel selectopts=koefisien seleksi

% Evaluation Function (option)

evalOps = []; %fungsi evaluasi

% Lets run the GA

[x endPop bestPop trace]=ga(bounds,evalFn,evalOps,startPop,gaOpts,...

    termFns,termOps,selectFn,selectOps,xFns,xOpts,mFns,mOpts); %menjalankan program GA.m

function [x,endPop,bPop,traceInfo] = ga(bounds,evalFN,evalOps,startPop,opts,...

termFN,termOps,selectFN,selectOps,xOverFNs,xOverOps,mutFNs,mutOps)

%   x            - solusi terbaik yang ditemukan selama perjalanan

%   endPop       - populasi terakhir

%   bPop         - jejak populasi terbaik

%   traceInfo    - matriks terbaik dan sarana ga untuk setiap generasi

%

% Input Arguments:

%   bounds       - matriks batas atas dan bawah pada variabel

%   evalFN       - nama evaluasi .m function

%   evalOps      - pilihan untuk lolos ke fungsi evaluasi ([NULL])

%   startPop     - matriks solusi yang dapat diinisialisasi

%                  from initialize.m

%   opts         - [epsilon prob_ops display] perubahan diperlukan untuk

%                       mempertimbangkan dua

%                       solusi berbeda, prob_ops 0 jika Anda ingin menerapkan

%                       operator genetik secara probabilistik untuk setiap solusi, 1 jika

%                       Anda menyediakan jumlah operator deterministik

%                       aplikasi dan tampilan adalah 1 untuk menghasilkan keluaran 0 untuk

%                       diam. ([1e-6 1 0])

%   termFN       - nama dari .m termination function (['maxGenTerm'])

%   termOps      - string opsi untuk diteruskan ke fungsi penghentian

%                  ([100]).

%   selectFN     - name of the .m selection function (['normGeomSelect'])

%   selectOpts   - string opsi yang akan dilewatkan untuk dipilih setelahnya

%                  select(pop,#,opts) ([0.08])

%   xOverFNS     - string yang berisi nama kosong dipisahkan dari Xover.m

%                  files (['arithXover heuristicXover simpleXover'])

%   xOverOps     - Sebuah matriks opsi untuk dilewatkan ke file Xover.m dengan

%                               kolom pertama adalah jumlah yang akan dilakukan xOver

%                               serupa untuk mutasi ([2 0;2 3;2 0])

%   mutFNs       - string yang berisi nama kosong dipisahkan dari mutation.m

%                  files (['boundaryMutation multiNonUnifMutation ...

%                           nonUnifMutation unifMutation'])

%   mutOps       - Sebuah matriks opsi untuk dilewatkan ke file Xover.m dengan

%                               kolom pertama adalah jumlah yang akan dilakukan xOver

%                               serupa untuk mutasi ([4 0 0;6 100 3;4 100 3;4 0 0])

n=nargin;

if n<2 | n==6 | n==10 | n==12

  disp('Insufficient arguements')

end

if n<3 % Pemilihan evalasi default.

  evalOps=[];

end

if n<5

  opts = [1e-6 1 0];

end

if isempty(opts)

  opts = [1e-6 1 0];

end

if any(evalFN<48) % Tidak menggunakan a .m file

  if opts(2)==1 % Float ga

    e1str=['x=c1; c1(xZomeLength)=', evalFN ';']; 

    e2str=['x=c2; c2(xZomeLength)=', evalFN ';']; 

  else % Biner ga

    e1str=['x=b2f(endPop(j,:),bounds,bits); endPop(j,xZomeLength)=',...

          evalFN ';'];

  end

 else % Sedang menggunakan file .m

  if opts(2)==1 %Float ga

    e1str=['[c1 c1(xZomeLength)]=' evalFN '(c1,[gen evalOps]);']; 

    e2str=['[c2 c2(xZomeLength)]=' evalFN '(c2,[gen evalOps]);']; 

  else % Biner ga

    e1str=['x=b2f(endPop(j,:),bounds,bits);[x v]=' evalFN ...

      '(x,[gen evalOps]); endPop(j,:)=[f2b(x,bounds,bits) v];']; 

  end

end

if n<6 % Informasi penghentian default

  termOps=[100];

  termFN='maxGenTerm';

end

if n<12 % Informasi mutasi default

  if opts(2)==1 %Float GA

  mutFNs=['boundaryMutation multiNonUnifMutation nonUnifMutation unifMutation'];

    mutOps=[4 0 0;6 termOps(1) 3;4 termOps(1) 3;4 0 0];

  else % GA Biner

    mutFNs=['binaryMutation'];

    mutOps=[0.05];

  end

end

if n<10 % Binary GA% Informasi crossover default

  if opts(2)==1 %Float GA

    xOverFNs=['arithXover heuristicXover simpleXover'];

    xOverOps=[2 0;2 3;2 0];

  else %Binary GA

    xOverFNs=['simpleXover'];

    xOverOps=[0.6];

  end

end

if n<9 % Pilih Default hanya memilih i.e. roullete wheel.

  selectOps=[];

end

if n<8 %Default select info

  selectFN=['normGeomSelect'];

  selectOps=[0.08];

end

if n<6 % Informasi penghentian default

  termOps=[100];

  termFN='maxGenTerm';

end

if n<4 % Tidak ada populasi awal yang diberikan

  startPop=[];

end

if isempty(startPop) % Hasilkan suatu populasi secara acak

  %startPop=zeros(80,size(bounds,1)+1);

  startPop=initializega(80,bounds,evalFN,evalOps,opts(1:2));

end

if opts(2)==0 % biner

  bits=calcbits(bounds,opts(1));

end

 xOverFNs=parse(xOverFNs);

mutFNs=parse(mutFNs);

xZomeLength  = size(startPop,2);    % Panjang dari xzome=numVars+fittness

numVar       = xZomeLength-1;                    % Jumlah variabel

popSize      = size(startPop,1);         % Jumlah individu dalam pop

endPop       = zeros(popSize,xZomeLength); % Matriks populasi sekunder

c1           = zeros(1,xZomeLength); % Seorang individu

c2           = zeros(1,xZomeLength); % Seorang individu

numXOvers    = size(xOverFNs,1); % Jumlah operator Crossover

numMuts      = size(mutFNs,1);                    % Jumlah operator Mutasi

epsilon      = opts(1);                 % Threshold untuk dua kebugaran berbeda

oval         = max(startPop(:,xZomeLength)); % Nilai terbaik di mulai pop

bFoundIn     = 1;                               % Jumlah waktu terbaik telah berubah

done         = 0;                       % Selesai dengan evolusi simulasi

gen          = 1;                                   % Nomor Generasi Saat Ini

collectTrace = (nargout>3); % Haruskah kami mengumpulkan info setiap gen

floatGA      = opts(2)==1;              % Aplikasi probabilistik ops

display      = opts(3);                 % Kemajuan tampilan

while(~done)

  %Elitist Model

  [bval,bindx] = max(startPop(:,xZomeLength)); % Terbaik dari pop saat ini

  best =  startPop(bindx,:);

  if collectTrace

    traceInfo(gen,1)=gen;                             % generasi saat ini

    traceInfo(gen,2)=startPop(bindx,xZomeLength);       %fitnes terbaik

    traceInfo(gen,3)=mean(startPop(:,xZomeLength));     %Avg fittness

    traceInfo(gen,4)=std(startPop(:,xZomeLength));

  end

  

  if ( (abs(bval - oval)>epsilon) | (gen==1)) % Jika kita memiliki sol terbaik baru

    if display

      fprintf(1,'\n%d %f\n',gen,bval);          % Perbarui layar

    end

    if floatGA

      bPop(bFoundIn,:)=[gen startPop(bindx,:)]; % Perbarui bPop Matrix

    else

      bPop(bFoundIn,:)=[gen b2f(startPop(bindx,1:numVar),bounds,bits)...

            startPop(bindx,xZomeLength)];

    end

    bFoundIn=bFoundIn+1;                      % Perbarui jumlah perubahan

    oval=bval;                                % Perbarui val terbaik

  else

    if display

      fprintf(1,'%d ',gen);                       % Atau hanya memperbarui gen num

    end

  end

  endPop = feval(selectFN,startPop,[gen selectOps]); %Select

   if floatGA % Berjalan dengan model di mana parameter adalah jumlah ops

    for i=1:numXOvers,

      for j=1:xOverOps(i,1),

            a = round(rand*(popSize-1)+1);         % Pilih orang tua

            b = round(rand*(popSize-1)+1);         % Pilih orang tua lain

            xN=deblank(xOverFNs(i,:));   % Dapatkan nama fungsi crossover

            [c1 c2] = feval(xN,endPop(a,:),endPop(b,:),bounds,[gen xOverOps(i,:)]);

           

            if c1(1:numVar)==endPop(a,(1:numVar)) % Pastikan kami membuat yang baru

              c1(xZomeLength)=endPop(a,xZomeLength); %solusi sebelum mengevaluasi

            elseif c1(1:numVar)==endPop(b,(1:numVar))

              c1(xZomeLength)=endPop(b,xZomeLength);

            else

              [c1(xZomeLength) c1] = feval(evalFN,c1,[gen evalOps]);

              eval(e1str);

            end

            if c2(1:numVar)==endPop(a,(1:numVar))

              c2(xZomeLength)=endPop(a,xZomeLength);

            elseif c2(1:numVar)==endPop(b,(1:numVar))

              c2(xZomeLength)=endPop(b,xZomeLength);

            else

              [c2(xZomeLength) c2] = feval(evalFN,c2,[gen evalOps]);

              eval(e2str);

            end     

           

            endPop(a,:)=c1;

            endPop(b,:)=c2;

      end

    end

 

    for i=1:numMuts,

      for j=1:mutOps(i,1),

            a = round(rand*(popSize-1)+1);

            c1 = feval(deblank(mutFNs(i,:)),endPop(a,:),bounds,[gen mutOps(i,:)]);

            if c1(1:numVar)==endPop(a,(1:numVar))

              c1(xZomeLength)=endPop(a,xZomeLength);

            else

              [c1(xZomeLength) c1] = feval(evalFN,c1,[gen evalOps]);

              eval(e1str);

            end

            endPop(a,:)=c1;

      end

    end

else %Kami menjalankan model operator genetik probabilistik

    for i=1:numXOvers,

      xN=deblank(xOverFNs(i,:));         % Dapatkan nama fungsi crossover

      cp=find(rand(popSize,1)<xOverOps(i,1)==1);

      if rem(size(cp,1),2) cp=cp(1:(size(cp,1)-1)); end

      cp=reshape(cp,size(cp,1)/2,2);

      for j=1:size(cp,1)

            a=cp(j,1); b=cp(j,2);

            [endPop(a,:) endPop(b,:)] = feval(xN,endPop(a,:),endPop(b,:),...

              bounds,[gen xOverOps(i,:)]);

      end

    end

 for i=1:numMuts

      mN=deblank(mutFNs(i,:));

      for j=1:popSize

          endPop(j,:) = feval(mN,endPop(j,:),bounds,[gen mutOps(i,:)]);

          eval(e1str);

      end

    end

  end

 

  gen=gen+1;

  done=feval(termFN,[gen termOps],bPop,endPop); % Lihat apakah ga selesai

  startPop=endPop;                          % Tukar populasi

 

  [bval,bindx] = min(startPop(:,xZomeLength)); % Simpan solusi terbaik

  startPop(bindx,:) = best;                 % ganti dengan yang terburuk

end

[bval,bindx] = max(startPop(:,xZomeLength));

if display

  fprintf(1,'\n%d %f\n',gen,bval);        

end

x=startPop(bindx,:);

if opts(2)==0 %binary

  x=b2f(x,bounds,bits);

  bPop(bFoundIn,:)=[gen b2f(startPop(bindx,1:numVar),bounds,bits)...

      startPop(bindx,xZomeLength)];

else

  bPop(bFoundIn,:)=[gen startPop(bindx,:)];

end

if collectTrace

  traceInfo(gen,1)=gen;                     % generasi saat ini

  traceInfo(gen,2)=startPop(bindx,xZomeLength); %fittnes terbaik

  traceInfo(gen,3)=mean(startPop(:,xZomeLength)); %Avg fittness

end

% x adalah solusi terbaik yang ditemukan

x;

% Tekan kembali untuk melanjutkan

nn=max(size(x));

for j=1:nn-1

   fprintf('\nNilai Variabel sol(%1.0f) =%8.8f\',j,x(j));

   sol(j)=x(j);

end

% jejak adalah jejak nilai terbaik dan nilai rata-rata dari generasi

jejak;

% Tekan kembali untuk melanjutkan

% jeda

% Plot yang terbaik dari waktu ke waktu

% clf

% plot (trace (:, 1), trace (:, 2));

% Tekan kembali untuk melanjutkan

%berhenti sebentar

switch lower(Jenis)

case 'posisi'

                   

% Note: 1 oz-in = 7.0615e-3 N.m          

        Ebalik=0.0708;                    

        Torsi=10.02*7.0615e-3;      

        B=9.55e-4*7.0615e-3;         

        Resistan=1.64;

        ilitan=3.39e-3;

        J=0.0108*7.0615e-3;           

     jarak=1.57;

    

     b1=(jarak*sol(4)*Torsi*sol(3));             %-(0.01*ilitan);

     b2=(jarak*sol(4)*Torsi*sol(1));            %-(0.01*Resistan);

     b3=jarak*sol(4)*Torsi*sol(2);

     

     a1=ilitan*J;

     a2=ilitan*B+Resistan*J;  

     a3=Resistan*B+sol(4)*Torsi*sol(5)+Ebalik*Torsi+sol(4)*Torsi*sol(3);

     a4=sol(4)*Torsi*sol(1);

     a5=sol(4)*Torsi*sol(2);

    

otherwise

end

num={[b1 b2 b3]};

den={[a1 a2 a3 a4 a5]};

h=tf(num,den);

             

           [Y,T]=step(h,0.2);

           plot(T,Y);

           axis([0 0.1 0 1.8])

grid on;

2.    Initializega.m

function [pop] = initializega(num, bounds, evalFN,evalOps,options)

% pop            - populasi awal, dievaluasi, acak

% populatoinSize - ukuran populasi, yaitu jumlah yang harus dibuat

% variableBounds - matriks yang berisi batasan setiap variabel, yaitu.

%                  [var1_high var1_low; var2_high var2_low; ....]

% evalFN         - evaluasi fn, biasanya nama file .m untuk Evaluasi

% evalOps        - opsi apa saja yang akan diteruskan ke default fungsi eval []

% options        - pilihan untuk fungsi inisialisasi, yaitu

%                  [type prec] di mana eps adalah nilai epsilon

%               dan opsi kedua adalah 1 untuk float dan 0 untuk biner,

%               prec adalah ketepatan default variabel [1e-6 1]

if nargin<5

  options=[1e-6 1];

end

if nargin<4

  evalOps=[];

end

if any(evalFN<48) %Not a .m file

  if options(2)==1 %Float GA

    estr=['x=pop(i,1); pop(i,xZomeLength)=', evalFN ';']; 

  else %Binary GA

    estr=['x=b2f(pop(i,:),bounds,bits); pop(i,xZomeLength)=', evalFN ';'];

  end

else %A .m file

  if options(2)==1 %Float GA

    estr=['[ pop(i,:) pop(i,xZomeLength)]=' evalFN '(pop(i,:),[0 evalOps]);'];

  else %Binary GA

    estr=['x=b2f(pop(i,:),bounds,bits);[x v]=' evalFN ...

      '(x,[0 evalOps]); pop(i,:)=[f2b(x,bounds,bits) v];']; 

    end

end

numVars     = size(bounds,1);                  %Number of variables

rng         = (bounds(:,2)-bounds(:,1))'; %The variable ranges'

if options(2)==1 %Float GA

  xZomeLength = numVars+1;                 %Length of string is numVar + fit

  pop         = zeros(num,xZomeLength);   %Allocate the new population

  pop(:,1:numVars)=(ones(num,1)*rng).*(rand(num,numVars))+...

    (ones(num,1)*bounds(:,1)');

else %Binary GA

  bits=calcbits(bounds,options(1));

  xZomeLength = sum(bits)+1;                 %Length of string is numVar + fit

  pop = round(rand(num,sum(bits)+1));

end

for i=1:num

  eval(estr);

end

3.    Parse.m

function [x] = parse(inStr)

% parse is a function which takes in a string vector of blank separated text

% and parses out the individual string items into a n item matrix, one row

% for each string.

%

% function [x] = parse(inStr)

% x     - the return matrix of strings

% inStr - the blank separated string vector

sz=size(inStr);

strLen=sz(2);

x=blanks(strLen);

wordCount=1;

last=0;

for i=1:strLen,

  if inStr(i) == ' '

    wordCount = wordCount + 1;

    x(wordCount,:)=blanks(strLen);

    last=i;

  else

    x(wordCount,i-last)=inStr(i);

  end

end

Read More