遗传算法（GA）计算二元函数极值（C语言实现、matlab工具箱实现）

已于 2023-04-28 14:18:41 修改
阅读量3.7k 收藏 46
点赞数 4
分类专栏： 数学建模 文章标签： c语言 matlab 算法 启发式算法
于 2022-05-31 17:21:36 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Hjh1906008151/article/details/125056478
版权
本文介绍了使用C语言和MATLAB实现遗传算法（GA）来求解二元函数极值问题的过程。首先，概述了遗传算法的基本原理，并通过流程图进行说明。接着，展示了C语言的实现细节，包括初始化、选择、交叉和变异等步骤。此外，还使用MATLAB验证了C语言实现的结果，并通过绘制函数图像辅助理解。最后，通过GA在MATLAB中的应用进一步确认了C语言实现的正确性。
摘要由CSDN通过智能技术生成

文章目录

  前段时间尝试了C语言实现PSO算法求计算二元函数极值，这几天稍微空闲下来了又想尝试用另一种比PSO难一点的经典智能优化算法解决这个问题。

  PSO传送门

原理

  遗传算法应用还是非常广泛的。之前打数模的时候经常用它求解公式，或者利用它做一些调度类的问题，例如经典的柔性车间调度问题。但是，在实现的时候更多的是借助matlab和python，有的时候直接拿现成的代码修改参数直接用，对算法的理解还是很不到位的。趁这个机会，打算用C语言实现一次GA算法。

  自制的GA算法流程图如下，和PSO算法一样，个人认为这类算法还是静下心来直接看代码比较好理解，效率更高。

在这里插入图片描述

  整个算法实际上分为两大部分：

  • 第一部分是在为后来的迭代做准备，包括数据编码，初始化等等操作，为第二部分的迭代准备原材料。

  • 第二部分是迭代，实际上就是不断地加工第一部分提供的原材料，直到收敛得到最优结果。

实例

求解极值 C 语言实现

  待求极值函数如下：

  C语言代码如下，主要的流程在 genetic 函数里写的比较清楚；两个题目可以在 fitting 函数里面切换，修改的时候记得改#define里的最大最小值。里面的参数需要根据题目自己调整。

#include<bits/stdc++.h>
using namespace std;

// 染色体数量 也就是种群数量 
#define chromosome_size 300
// 染色体长度 也就是维度 
#define chromosome_length 2
// 进化代数 也就是迭代次数
#define epoch_max 30

// 变量上下界 
#define bound_down 0
#define bound_up 10

// 交叉概率 
#define cross_probability 0.5
// 变异概率 => 模仿生物学，这玩意要低 
#define mutation_probability 0.1


// 染色题本身 二维就是这个解的x，y存储 
double chromosome[chromosome_size][chromosome_length];
// 染色体适应度函数 二维就是这个解的x，y对应的函数的值的存储 
double chromosome_fitness[chromosome_size];
// 个体被选中的概率，这个是遗传算法的特色
double chromosome_chosen[chromosome_size];
// 每次迭代的最优解
double epoch_best_fitness[epoch_max];
 // 每次迭代的最优解的位置，在二维里就是对应的x, y 
double epoch_best[epoch_max];
// 之前所有迭代的最优解的平均值
double average_epoch_best_fitness[epoch_max];
// 存储目前所有迭代中的最优解
double all_best_fitness;
// 存储目前所有迭代中的最优解出现的代数
int all_best_epoch; 

// 求和函数，因为不让用库，只能手写一个 
double sum(double fit[])
{
    double sum_fit = 0;
    for(int i=0;i<chromosome_length;i++)
        sum_fit += fit[i];
    return sum_fit;
}

// 计算适应度的函数，在二维的情况下其实就是计算x, y这俩对应的函数的解 
double fitting(double fit[]){
//	第一题：   
//	double fitness = sin(fit[0])/fit[0]+sin(fit[1])/fit[1];
//	第二题 
	double fitness = (6.452*(fit[0]+0.125*fit[1])*pow((cos(fit[0])-cos(2*fit[1])),2))/sqrt(0.8+pow((fit[0]-4.2),2)+2*pow((fit[1]-7),2))+3.226*fit[1];
	return fitness;
}

// 作用其实就是比较所有散点对应的适应度，输出最大的适应度和对应的位置 
double* max_in_community(double fit[], int size){
	static double result[2];
	result[0] = *fit;
	result[1] = 0;
	for(int i = 0; i < size; i++)
		if(fit[i]>result[0]){
			result[0] = fit[i];
			result[1] = i;
		};
	return result;
}

// 初始化函数，一开始还是随机初始化 
void initialization(void){
	for(int i = 0; i < chromosome_size; i++){
		for(int j = 0; j < chromosome_length; j++)
			// 初始化第一代 
			chromosome[i][j] = bound_up*(((double)rand())/RAND_MAX)+bound_down;
		// 顺便算出来第一批染色体的适应度函数 
		chromosome_fitness[i] = fitting(chromosome[i]);
	}
}

// 选择：求最大值时，适应度越高，被选择的概率越大，经过选择之后，chromosome中大的比例明显提高了 
void select(double chromosome[chromosome_size][chromosome_length]){
	double fitness_sum = 0;
	for(int i=0; i<chromosome_size; i++){
		// 计算适应度 
		chromosome_fitness[i] = fitting(chromosome[i]);
		// 求和，为了之后能算概率 
		fitness_sum += chromosome_fitness[i]; 
	}
	// 计算每个染色体的概率 
	for(int i=0; i<chromosome_size; i++){
		if(i==0)
			chromosome_chosen[i] = chromosome_fitness[i]/fitness_sum; 
		else
			chromosome_chosen[i] = chromosome_fitness[i]/fitness_sum+chromosome_chosen[i-1]; 
	}
	// 选择的主体 => 随机数筛选，染色体的概率越大，越容易被select到 
	int index[chromosome_size]; 
	for(int i=0; i<chromosome_size; i++){
		double rand0 = ((double)rand())/RAND_MAX;
		while(rand0<0.0001)
			rand0 = ((double)rand())/RAND_MAX;
		for(int j=0; j<chromosome_size; j++){
			if(rand0<=chromosome_chosen[j]){
				index[i] = j;
				break;
			}
		}
	}
	// 选择完了，在这里记录
	for(int i=0;i<chromosome_size;i++){
		for(int j=0;j<chromosome_length;j++)
			chromosome[i][j]=chromosome[index[i]][j];
		chromosome_fitness[i] = chromosome_fitness[index[i]];
	}
}

// 交叉
void cross(double chromosome[chromosome_size][chromosome_length]){
	for(int i=0;i<chromosome_size;i++){
		// 上来先判断是否进行交叉操作，大于交叉概率就跳过 
		double pick = ((double)rand())/RAND_MAX;
        if(pick>cross_probability)
            continue;
		// 交叉涉及到两个染色体，在这里随机抽取两个染色体，下面两个是两个染色体的编号 
		int rand1 = (int)((chromosome_size-1)*((double)rand())/RAND_MAX);
		int rand2 = (int)((chromosome_size-1)*((double)rand())/RAND_MAX);
		
		// 交叉主体
		int flag = 0;	// 用来判断后面的循环是否要退出的
		while(!flag){
			// 看染色体的哪部分拿过来交叉互换 
			int where = (int)((chromosome_length-1)*((double)rand())/RAND_MAX);
			double v1 = chromosome[rand1][where];
			double v2 = chromosome[rand2][where];
			// rand是指交叉时采用交叉对象的比例 
			double rand0 = ((double)rand())/RAND_MAX;
			chromosome[rand1][where] = rand0*v2 + (1-rand0)*v1;
			chromosome[rand2][where] = rand0*v2 + (1-rand0)*v2;
			// 判定上下界，在界内就算这次交叉算数，不然重新交叉 
			if(chromosome[rand1][where]<=bound_up&&chromosome[rand1][where]>=bound_down)
				if(chromosome[rand2][where]<=bound_up&&chromosome[rand2][where]>=bound_down)
					flag = 1;
		} 
	} 
}

// 变异 
void mutation(double chromosomes[chromosome_size][chromosome_length]) {
	for(int i=0;i<chromosome_size;i++){
		// 上来先判断是否进行变异操作，大于变异概率就跳过 
		double pick = ((double)rand())/RAND_MAX;
        if(pick>mutation_probability)
        	continue; 
		// 随机抽取染色体的一个位置 
		int where = (int)((chromosome_length-1)*((double)rand())/RAND_MAX);
		
        double v1 = chromosome[i][where] - bound_up;
        double v2 = bound_down - chromosome[i][where];
        
        double r = ((double)rand())/RAND_MAX;
        double r1 = ((double)rand())/RAND_MAX;
        
        if(r>=0.5)
        	chromosome[i][where] = chromosome[i][where] - v1*r1*(1-((double)i)/epoch_max)*(1-((double)i)/epoch_max);
        else
        	chromosome[i][where] = chromosome[i][where] + v1*r1*(1-((double)i)/epoch_max)*(1-((double)i)/epoch_max);
	}
}

// 遗传搜索
void genetic(){
	//————————————Step1————————————//
	//——————————各种初始化——————————// 
	// 初始化染色体 
	initialization();
	// 该轮所有染色体适应度的最大值和index 
	double *best_fitness_index;
	best_fitness_index = max_in_community(chromosome_fitness, chromosome_size); 
	// 初始化平均值 
	average_epoch_best_fitness[0] = sum(chromosome_fitness)/chromosome_size;
	// 初始化每代最佳染色体与适应度对应的适应度 
	all_best_fitness = best_fitness_index[0];
	all_best_epoch = 0;
	for(int i = 0; i < chromosome_length; i++)
		epoch_best[i] = chromosome[(int)best_fitness_index[1]][i];

	//————————————Step2————————————//
	//————————————迭代————————————// 
	for(int i=0; i<epoch_max; i++){
		// 选择交叉变异一套搞定 
		select(chromosome);
		cross(chromosome);
		mutation(chromosome);
	
		//更新一系列数据 
		// 计算操作后染色体对应的适应度
		for(int j=0; j<chromosome_size; j++)
			chromosome_fitness[j] = fitting(chromosome[j]);
		// 计算平均值
		average_epoch_best_fitness[i+1] = sum(chromosome_fitness)/chromosome_size;
		// 储存最优表现 
		best_fitness_index = max_in_community(chromosome_fitness, chromosome_size); 
		if(best_fitness_index[0] > all_best_fitness){
			all_best_fitness = best_fitness_index[0];
			for(int k=0; k<chromosome_length; k++)
				epoch_best[k] = chromosome[(int)best_fitness_index[1]][k];
			all_best_epoch = i+1;
		}
		printf("第%d次迭代：(%lf,%lf)\t%lf\n", i, chromosome[(int)best_fitness_index[1]][0], chromosome[(int)best_fitness_index[1]][1], best_fitness_index[0]);
	}
}



int main(){
	//程序开始和结束时间
	clock_t begin, end;
	begin = clock(); //开始计时 
	srand((unsigned)time(NULL)); // 初始化随机数种子
	// 搜索 
	genetic();
	end = clock();
	printf("计算总耗时：%lf秒\n", ((double)(end-begin))/CLOCKS_PER_SEC);
	printf("遗传算法进化了%d次，最优值为:%lf,最优值在第%d代取得,此代的平均最优值为%lf.\n",epoch_max,all_best_fitness,all_best_epoch,average_epoch_best_fitness[all_best_epoch]);
    printf("取得最优值的地方为(%lf,%lf).\n",epoch_best[0],epoch_best[1]);
	return 0;
}

求解极值 matlab 语言实现

画图

  不是很确定最后的结果对不对，拿matlab试试结果。先浅浅画俩图：

	fsurf(@(x,y)sin(x)/x+sin(y)/y)
	fsurf(@(x,y)(6.452*(x+0.125*y)*(cos(x)-cos(2*y))^2/(0.8+(x-4.2)^2+2*(y-7)^2)^(1/2))+3.226*y)

  例题1：

在这里插入图片描述

  例题2：

在这里插入图片描述

GA 求解

  matlab自带 ga 求解工具计算极值，因为这个东西只能算最小值，所以对原函数取负号，得到的最小值再取负就是我们要的最大值：

	[x,fval] = ga(@(x)-(sin(x(1))/x(1)+sin(x(2))/x(2)),2,[],[],[],[],[-10,-10],[10,10], [], gaoptimset('CrossoverFraction', 0.6))
	[x,fval] = ga(@(x)-(6.452*(x(1)+0.125*x(2))*(cos(x(1))-cos(2*x(2)))^2/(0.8+(x(1)-4.2)^2+2*(x(2)-7)^2)^(1/2)+3.226*x(2)),2,[],[],[],[],[0,0],[10,10], [], gaoptimset('CrossoverFraction', 0.6))

  运行结果如下：

在这里插入图片描述
在这里插入图片描述

结论

  经过证明，我们C语言的实现是没什么大问题的。

用遗传搜索算法求函数2*x1^2+3*x2^2的最大值（C++实现）
m0_63992310的博客
04-15 1472
问题描述 求下述二元函数的最大值： x1, x2 为 0 ~ 7之间的整数，所以分别用3位无符号二进制整数来表示，将它们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可行解。 个体的表现型x和基因型X之间可通过编码和解码程序相互转换。 （1）设计遗传搜索算法； （2）实现遗传搜索算法求解二元函数的最大值； ...
【Python】遗传算法求解二元函数最值
includei的博客
12-22 1万+
序言 遗传算法算是我接触最早的优化算法了，之前大学建模竞赛时学习过，不过当时云里雾里始终没明白其中的原理机制，如今朝花夕拾，看了些博客，又自己动手试了试，总算解决了曾经的困惑。 这里主要参考了（https://blog.csdn.net/ha_ha_ha233/article/details/91364937）的思路，该博主文章写的通俗易懂，建议大家有兴趣的去看看。 我本身不太会Python，借这次机会除了复习遗传算法，也是为了学习Python语法，故我在代码中添加了大量注释，以供同样和我基础薄弱的同学参考
用遗传算法求解二元函数最大值
qq_38684229的博客
06-23 1万+
为了更好的理解遗传算法的运算过程，下面用手工的计算间的模拟遗传算法的各个主要的执行步骤： 例、求下述二元函数的最大值： max f(x1,x2) = x1^2+x2^2; （1）个体编码：遗传算法的运算对象是表示个体的符号串，所以必须把变量x1，x2编码位一种符号串。本题中，用无符号二进制整数来表示。 　　因x1，x2为0-7之间的正数，所以分别用3位无符号二进制整数来表示，将他们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可行解。 例如：基因型X = 101110所对...
使用遗传算法求二元函数的最小值
01-20
二元函数为y=x1^2+x2^2,x∈[-5,5] NIND=121; %初始种群的个数(Number of individuals) NVAR=2; %一个染色体（个体）有多少基因 PRECI=20; %变量的二进制位数(Precision of variables) MAXGEN=200; %最大遗传代数(Maximum number of generations) GGAP=0.8; %代沟(Generation gap)，以一定概率选择父代遗传到下一代 trace=zeros(MAXGEN,2); %寻优结果的初始值 Chrom=crtbp(NIND,PRECI*NV
遗传算法简单介绍与MATLAB实现（二）
热门推荐
Hanpu_Liang的博客
10-07 4万+
遗传算法简单介绍与MATLAB实现（二）上一篇文章中我们简单的介绍了一了一下遗传算法，其中提到了多元函数f=f(x,y)f=f(x, y).所以在这里我们就定义一个二元函数，作为第一个练手的程序。并以此作为示例进行编程示范。
一个简单的遗传算法的应用实例（java代码）
但行好事，莫问前程
09-05 7886
求下述二元函数的最大值： 下参考Mitchell《机器学习》中的遗传算法解决上面问题的java代码如下： import java.lang.Math; import java.util.ArrayList; import java.util.List; /** * 采用遗传算法求下列二元函数的最大值 * max f(x1,x2)=x1^2+x2^2; * s.t.x1∈{1,2,
遗传算法求解多元函数最大值
10-20
通过自己的整合，可以用来求解多元函数最大值，保证可以运行，希望对你们有用
使用matlab通过遗传算法实现多元函数极值计算
Temmie1024的博客
10-08 1万+
这里是对一个二元函数求解极大值问题。 如果你希望求解更多元函数，需要添加额外的基因（例如z）在pop数组中添加第三列（染色体的第三列基因），设置新的评判标准函数（fitness）。 如果你希望提高运算精度，可以尝试增大种群规模（优秀基因出现概率更高）、最大种群代数（更多次对优秀基因筛选）、提升变异概率（尝试引入新的可能更优秀的基因）。 个人对遗传算法的理解 遗传算法就是模仿自然规律，依照自然法则（评判标准函数，也就是你希望的目标），对一个初始种群（初始设置的一组解的集合）进行筛选，留下优秀的基因（相对较好的
python多元函数求极小值_使用遗传算法求二元函数的最小值
weixin_39595621的博客
12-10 1360
二元函数为y=x1^2+x2^2,x∈[-5,5]NIND=121; %初始种群的个数(Number of individuals)NVAR=2; %一个染色体(个体)有多少基因PRECI=20; %变量的二进制位数(Precision of variables)MAXGEN=200; %最大遗传代数(Maximum number of generations)GGAP=0.8; %代...
遗传算法（求函数极值）简易代码C语言200行
小白
12-13 3221
思路： //目标函数：y=(x1-1)^2+(x2-2)^2; #include<stdio.h> #include<time.h> #include<windows.h> #define T 2000 //进化代数 #define N 200 //群体个数 #define INT 8 //整数基因长度 #define FLOAT 20 //小数基因长度...
c语言实现简单的遗传算法GA
03-30
这是一个简单的遗传算法，评价函数只取正数，每个个体的适应度函数与目标函数相同
遗传算法求解函数极值
12-05
通过采用遗传算法实现函数全局最优的极值计算。采用matlab语言编写完成，可以直接运行，包含图形的绘制
遗传算法（C语言实现）
04-02
用C语言实现的遗传算法，调试通过，可运行，注释良好。
遗传算法C语言程序（使用C语言）
07-07
遗传算法C语言程序 遗传算法在C语言上面的实现！！！
matlab 遗传算法 ga函数实现并行
01-20
遗传算法并行 % ga函数 options = gaoptimset('Generations', 200,... %设置迭代次数 'PopulationSize', 50,... % 设置种群大小 'UseParallel', true,... % 是否并行 'Vectorized', 'on'); % 指定函数是否向量化 ...
ga.rar_GA工具箱函数_MATLAB GA工具箱_matlab遗传算法工具箱_遗传算法工具箱
09-23
标题中的"ga.rar_GA工具箱函数_MATLAB GA工具箱_matlab遗传算法工具箱_遗传算法工具箱"指的是一个压缩包，其中可能包含了关于如何在MATLAB中实现遗传算法的自定义函数，以及可能无需使用MATLAB官方提供的GA工具箱。...
GA.rar_二元函数极值_极值计算_遗传 二元极值
09-22
标题中的“GA.rar_二元函数极值_极值计算_遗传 二元极值”表明这个压缩包包含了一个关于遗传算法（Genetic Algorithm, GA）的应用，具体是用来求解二元函数的极值问题。遗传算法是一种模拟自然选择和遗传机制的优化...
遗传算法用于求解函数极值的matlab入门级代码
02-25
MATLAB作为一种强大的数值计算和编程环境，是实现遗传算法的理想工具。在这个入门级的代码示例中，我们将深入探讨如何利用MATLAB实现遗传算法来求解函数的极值。 首先，遗传算法的基本思想源自自然选择和遗传原理，...
matlab求二元函数极值程序例子
最新发布
09-10
在MATLAB中，求解二元函数的极值可以通过使用`fminunc`或者`fminsearch`等函数来实现。这些函数可以找到无约束条件下函数的局部最小值。下面是使用`fminunc`函数的一个简单例子，假设我们要找函数 `f(x,y) = x^2 + y^2` 的极小值。 首先，你需要定义你的目标函数，然后使用`fminunc`函数来求解： ```matlab function f = myfun(x) f = x(1)^2 + x(2)^2; end % 初始化变量 x0 = [1, 1]; % 初始猜测值 % 设置优化选项，这里设置为无约束优化 options = optimoptions('fminunc', 'Algorithm', 'quasi-newton', 'Display', 'iter'); % 调用优化函数 [x_min, fval] = fminunc(@myfun, x0, options); % 显示结果 fprintf('极小值点：x = %f, y = %f\n', x_min(1), x_min(2)); fprintf('函数在该点的极小值：f = %f\n', fval); ``` 在这个例子中，`myfun`是我们要最小化的二元函数，它接受一个向量`x`作为输入，并返回函数值。`x0`是我们对极小值点的初始猜测。`options`用于设置优化过程的一些参数，这里设置了算法为拟牛顿法，并且要求显示迭代过程。最后，调用`fminunc`函数，它返回局部最小值点`x_min`和该点的函数值`fval`。 需要注意的是，上述例子假设你想找的是局部最小值。如果你需要找到全局最小值，可能需要采用不同的方法，比如设置不同的初始猜测值，或者使用全局优化方法。
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

铖铖的花嫁

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值