遗传算法（Genetic Algorithm, GA）是一种模拟自然选择和遗传学机制的搜索启发式算法。在MATLAB中，可以使用Global Optimization Toolbox中的`ga`函数来实现遗传算法。以下是一个简单的遗传算法示例，用于寻找一个简单的二次函数的最小值。
```matlab
% 定义目标函数
function f = objectiveFunction(x)
f = x(1)^2 + (x(2) - 1)^2;
end
% 遗传算法的选项设置
options = optimoptions('ga', ...
'PopulationSize', 100, ... % 种群大小
'MaxGenerations', 100, ... % 最大迭代次数
'CrossoverFraction', 0.8, ... % 交叉概率
'EliteCount', 2, ... % 精英个体数量
'MutationRate', 0.05, ... % 变异率
'Display', 'iter', ... % 显示每次迭代的信息
'PlotFcn', @gaplotbestf); % 绘制最佳个体的适应度变化
% 变量的上下界
lb = [-5, -5]; % 下界
ub = [5, 5]; % 上界
% 运行遗传算法
[x, fval] = ga(@objectiveFunction, 2, [], [], [], lb, ub, options);
% 输出结果
disp('最优解:');
disp(x);
disp('最优解的函数值:');
disp(fval);
```
在这个示例中，我们定义了一个简单的目标函数`objectiveFunction`，它计算两个变量的平方和。然后，我们设置了遗传算法的选项，包括种群大小、最大迭代次数、交叉概率、精英个体数量、变异率以及显示和绘图选项。我们还定义了变量的上下界。
使用`ga`函数运行遗传算法，传入目标函数、变量的数量、空矩阵（没有线性不等式约束）、空矩阵（没有非线性约束）、空矩阵（没有线性等式约束）、变量的上下界和选项。`ga`函数将返回最优解`x`和最优解的函数值`fval`。
请注意，MATLAB的遗传算法实现可能因版本而异，上述代码适用于较新版本的MATLAB。如果你使用的是较旧版本的MATLAB，可能需要查阅相应的文档来调整代码。