遗传算法是一种基于生物进化原理的优化算法,通过模拟自然选择和遗传机制来寻找最优解。下面是一个简单的C#遗传算法示例代码,用于解决经典的旅行商问题(TSP):
csharp
复制
using System;
using System.Collections.Generic;
class Program
{
static void Main(string[] args)
{
// 初始化参数
int populationSize = 100; // 种群大小
int generations = 100; // 迭代次数
double crossoverRate = 0.8; // 交叉概率
double mutationRate = 0.01; // 变异概率
double startTime = 0.0; // 城市起点坐标
double endTime = 25.0; // 城市终点坐标
double[][] distances = new double[][] {
new double[] { 0, 10, 15, 20 }, // 城市1到其他城市的距离
new double[] { 10, 0, 35, 25 }, // 城市2到其他城市的距离
new double[] { 15, 35, 0, 30 }, // 城市3到其他城市的距离
new double[] { 20, 25, 30, 0 } // 城市4到其他城市的距离
}; // 各城市之间的距离矩阵
// 初始化种群
List<GeneticAlgorithm.Individual> population = new List<GeneticAlgorithm.Individual>();
for (int i = 0; i < populationSize; i++)
{
double[] route = new double[4]; // 个体基因(旅行路线)
for (int j = 0; j < 4; j++)
{
route[j] = j + 1; // 将基因(城市)编号填充到基因序列中
}
population.Add(new GeneticAlgorithm.Individual(route, startTime, endTime));
}
// 进行遗传算法迭代
for (int generation = 0; generation < generations; generation++)
{
// 选择操作:轮盘赌选择法
List<GeneticAlgorithm.Individual> newPopulation = new List<GeneticAlgorithm.Individual>();
double totalFitness = 0.0; // 个体适应度总和
foreach (GeneticAlgorithm.Individual individual in population)
{
totalFitness += individual.Fitness; // 个体适应度累加到总适应度中
}
foreach (GeneticAlgorithm.Individual individual in population)
{
double probability = (individual.Fitness / totalFitness); // 个体适应度概率计算
if (probability > new Random().NextDouble()) // 按概率选择个体进入新种群中
{
newPopulation.Add(individual);
}
}
population = newPopulation; // 将新种群赋值给当前种群,准备进行交叉和变异操作
// 交叉操作:单点交叉法
for (int i = 0; i < populationSize / 2; i++)
{
GeneticAlgorithm.Individual parent1 = population[i]; // 选择两个父代个体进行交叉操作
GeneticAlgorithm.Individual parent2 = population[populationSize - i - 1]; // 选择两个父代个体进行交叉操作,保证交叉后的子代不会重复选择同一个个体作为父代个体进行交叉操作
if (new Random().NextDouble() < crossoverRate) // 按交叉概率选择是否进行交叉操作,生成两个子代个体,替换父代个体在种群中的位置,准备进行变异操作和计算适应度值操作。