遗传算法求解非线性规划问题的matlab代码不使用ga函数

以下是使用遗传算法求解非线性规划问题的MATLAB代码示例：

% 非线性规划问题的目标函数
fun = @(x) x(1)^2 + x(2)^2;

% 定义约束条件
% 不等式约束
A = [-1, -1; 1, -1];
b = [-1; -1];
% 等式约束
Aeq = [];
beq = [];

% 变量的上下界限制
lb = [-10; -10];
ub = [10; 10];

% 遗传算法参数设置
popSize = 50; % 种群大小
maxGen = 100; % 最大迭代次数

% 初始化种群
pop = repmat(lb, 1, popSize) + rand(2, popSize) .* repmat(ub - lb, 1, popSize);

% 迭代优化
for gen = 1:maxGen
    % 计算适应度值
    fitness = fun(pop);
    
    % 选择操作
    [~, index] = sort(fitness); % 按适应度值升序排列
    elite = pop(:, index(1:ceil(popSize/10))); % 精英个体
    
    % 交叉操作
    offspring = zeros(2, popSize);
    for i = 1:popSize
        parent1 = elite(:, randi(size(elite, 2)));
        parent2 = elite(:, randi(size(elite, 2)));
        offspring(:, i) = parent1 + rand() * (parent2 - parent1);
    end
    
    % 变异操作
    offspring = offspring + randn(2, popSize) .* repmat(ub - lb, 1, popSize);
    
    % 合并精英个体和新生个体
    pop = [elite, offspring];
    
    % 修正越界个体
    pop(pop < lb) = lb(pop < lb);
    pop(pop > ub) = ub(pop > ub);
end

% 输出最优解
[minFitness, minIndex] = min(fun(pop));
optimalSolution = pop(:, minIndex);
disp('最优解：');
disp(optimalSolution);
disp('目标函数最小值：');
disp(minFitness);

此代码使用遗传算法求解一个简单的非线性规划问题，目标函数为x1^2 + x2^2，约束条件为x1 + x2 >= -1和x1 - x2 >= -1，变量x1和x2的范围为[-10, 10]。遗传算法的种群大小为50，最大迭代次数为100。代码中使用了交叉和变异操作来生成新的个体，并通过修正越界个体来保证个体的取值范围。最后输出最优解和目标函数的最小值