采用遗传算法求解最大值c语言,遗传算法求解函数最大值用例

最新推荐文章于 2023-12-17 11:19:56 发布
最新推荐文章于 2023-12-17 11:19:56 发布
阅读量869 收藏
点赞数

遗传算法 函数优化 C++实现 轮转盘法 种群进化
关键词由CSDN通过智能技术生成

学习遗传算法自己改了一个用例，感谢下面两篇文章的作者：

/*************************************************************************

> File Name: 袋鼠跳遗传算法求函数最大值.cpp

> Author:fanchenxin

> Mail:531266381@qq.com

> Created Time: 2016年06月24日 星期五

> problem: f(X) = X*sin(10*PI*X) + 2.0 ; X in [-1, 2] 求最大值及对应的X

先初始化随机点，相当于将很多的袋鼠放到山间，让他们

跳来跳去寻找最高的山峰，

************************************************************************/

#include

#include

#include

#include

#include

#include

#include

#define indiv_per_group (50) //一个种群中个体的数目

#define probability (60) //变异概率

#define genmax (100) //最大产生代数

#define group_num (100) //产生种群数量

#define mutation_step (0.005) //突变的步长

using namespace std;

#define PI (3.14159)

#define LEFT (-1)

#define RIGHT (2)

typedef enum

{

FALSE = 0,

TRUE = 1

}BOOL;

typedef struct individual //一个个体

{

double x; //x in [-1, 2] : 袋鼠所在的横向位置

double fx; //f(x)值:每个个体对环境的适应值，可以理解为袋鼠处在山峰的高度

int live; //标志这个个体是否还活着

}INDI;

typedef struct group//一个种群

{

INDI individuals[indiv_per_group]; //数组存储个体

INDI best; //最优个体

int best_gen; //最优个体所在的代数

int cur_gen; //种群当前的代数

}GROUP;

/* 计算适应值函数(也是我们需要求解的函数) */

double fx(double x)

{

return x * sin(10 * PI * x) + 2.0;

}

//1.初始化t←0进化代数计数器；genmax是最大进化代数；随机生成indiv_per_group个个体作为初始群体P(t)；

void init();

//2.个体评价

void assess();

//3.选择运算 将选择算子作用于群体

void choose(int gen);

//4.交叉运算 将交叉算子作用于群体，保留较优个体，淘汰较差个体

void cross();

//5.变异运算 将变异算子作用于群体，并通过以上运算得到下一代群体p(t+1)

void mutation();

//总调用函数，决定一个种群的进化

void sovel();

//子模块

INDI cross_once(int father,int mother);

void mutation_one(int x);

//创建一个种群

GROUP Group;

//储存每个种群进化的结果

INDI bestsovel[105];

//在这里创建了多个种群，这样使得解更具有准确性。

int main(int argc,char *argv[])

{

//时间种子产生随机数

srand(time(0));

int i;

//对产生的种群进行一一求解

for(i = 0;i < group_num; i++)

{

sovel();

bestsovel[i]=Group.best;

}

printf("输出每个种群的最优解:\n");

//输出每个种群的最优个体(解)

for(i = 0; i < group_num; i++)

printf("%dth: x = %f, fx = %f \n",i, bestsovel[i].x, bestsovel[i].fx);

//排序，并输出所有种群的最优解

INDI t;

for(i = 0;i < group_num; i++)

{

for(int j = i; j < group_num; j++)

{

if(bestsovel[i].fx < bestsovel[j].fx)

{

t = bestsovel[i];

bestsovel[i] = bestsovel[j];

bestsovel[j] = t;

}

}

}

printf("所有种群的最优解：");

printf("x = %f, fx = %f \n", bestsovel[0].x, bestsovel[0].fx);

return 0;

}

//对一个种群进行求解。

void sovel()

{

init();

for(int i = 1;i <= genmax; i++) //种群繁杂代数

{

Group.cur_gen = i;

assess(); //评估，计算适应值

choose(Group.cur_gen); //找最优个体，淘汰较差个体

cross(); //交叉产生子个体

mutation(); //变异

}

}

void init()

{

Group.best.fx = -0xffffffff;//初始化一个很小的值，便于下面比较

Group.best_gen = 0;//记录产生最好结果的代数

Group.cur_gen = 0;//当前代数为0

//把一个种群中的每一个个体随机初始化

for(int j = 0; j < indiv_per_group; j++)

{

int t = rand() % 3001; /*产生0 ~3000 的随机数*/

double x = ((double)t / 1000) - 1; /* 产生-1~2的浮点数 */

Group.individuals[j].x = x;

Group.individuals[j].live = TRUE;

}

}

//个体评价

void assess()

{

//计算出每个个体的fx值

for(int i = 0; i < indiv_per_group; i++)

{

Group.individuals[i].fx = fx(Group.individuals[i].x);

}

}

/* 利用轮转盘法进行淘汰 */

void choose(int gen)

{

INDI t;

//使用轮转盘法进行淘汰

double totalFxValue = 0.0;

int i = 0;

for(i = 0; i < indiv_per_group; i++){

totalFxValue += Group.individuals[i].fx;

}

Group.best.fx = Group.individuals[0].fx;

Group.best.x = Group.individuals[0].x;

double tmp_add = 0;

for(i = 0; i < indiv_per_group; i++){

double t = rand() / double(RAND_MAX); /* 0 ~ 1 浮点数*/

tmp_add += Group.individuals[i].fx;

double tmp = tmp_add / totalFxValue; //累计概率

if(tmp >= t){

if(Group.individuals[i].fx > Group.best.fx){

Group.best.fx = Group.individuals[i].fx;

Group.best.x = Group.individuals[i].x;

}

continue;

}

else{

Group.individuals[i].live = FALSE; /* 淘汰掉 */

}

}

//选出这个种群的最优个体，并储存

if(Group.best.fx > Group.individuals[0].fx)

{

Group.best_gen = gen;

}

}

/* 随机挑选父母，并且取得他们横坐标之间的

随机数作为孩子的横坐标，并进行择优比较*/

void cross()

{

int first = 0, second = 0;

for(int j = 0; j < indiv_per_group; j++)

{

if(Group.individuals[j].live == FALSE){ /* 如果该个体已经被淘汰*/

/* 选择两个还活着的个体作为父母 */

while(1){

while(1){

first = rand() % indiv_per_group;

if(Group.individuals[first].live == TRUE)

break;

}

second = rand() % indiv_per_group;

if(Group.individuals[second].live == TRUE)

break;

}

/* 产生新个体 */

/* 取得Group.individuals[first].x 到Group.individuals[second].x之间的随机数 */

double diff = 0.0, tmp_x = 0.0;

if(Group.individuals[first].x > Group.individuals[second].x){

diff = Group.individuals[first].x - Group.individuals[second].x;

tmp_x = (rand() / double(RAND_MAX)) * diff; /* 0 ~ diff 浮点数*/

tmp_x += Group.individuals[second].x;

//printf("start:%f, end:%f, tmp_x: %f\n", Group.individuals[second].x,

//Group.individuals[first].x, tmp_x);

}else{

diff = Group.individuals[second].x - Group.individuals[second].x;

tmp_x = (rand() / double(RAND_MAX)) * diff; /* 0 ~ diff 浮点数*/

tmp_x += Group.individuals[first].x;

//printf("start:%f, end:%f, tmp_x: %f\n", Group.individuals[first].x,

//Group.individuals[second].x, tmp_x);

}

double tmp_fx = fx(tmp_x);

if(tmp_fx > Group.individuals[first].fx && tmp_fx > Group.individuals[second].fx){

Group.individuals[j].x = tmp_x;

Group.individuals[j].fx = tmp_fx;

}

else{

if(Group.individuals[first].fx > Group.individuals[second].fx){

Group.individuals[j].x = Group.individuals[first].x;

Group.individuals[j].fx = Group.individuals[first].fx;

}else{

Group.individuals[j].x = Group.individuals[second].x;

Group.individuals[j].fx = Group.individuals[second].fx;

}

}

Group.individuals[j].live = TRUE;

}

}

return;

}

//对一个种群的全部个体都进行变异运算

void mutation()

{

for(int i = 0;i < indiv_per_group; i++)

{

if(Group.individuals[i].live == TRUE){

mutation_one(i);

}

}

}

//对一个个体的变异运算

void mutation_one(int x)

{

int pro = rand() % 100;

if(pro > probability)

return ;

//用来判断变异是增加还是减少

double t = rand() / double(RAND_MAX); /* 0 ~ 1 浮点数*/

if(t > 0.5){

Group.individuals[x].x += mutation_step;

if(Group.individuals[x].x > RIGHT)

Group.individuals[x].x = LEFT;

Group.individuals[x].fx = fx(Group.individuals[x].x);

if(Group.individuals[x].fx > Group.best.fx){

Group.best.fx = Group.individuals[x].fx;

Group.best.x = Group.individuals[x].x;

}

}else{

Group.individuals[x].x -= mutation_step;

if(Group.individuals[x].x < LEFT)

Group.individuals[x].x = RIGHT;

Group.individuals[x].fx = fx(Group.individuals[x].x);

if(Group.individuals[x].fx > Group.best.fx){

Group.best.fx = Group.individuals[x].fx;

Group.best.x = Group.individuals[x].x;

}

}

}

结果截图：

0818b9ca8b590ca3270a3433284dd417.png



abduhader
关注
遗传算法二进制编码c语言,遗传算法，实数编码的交叉操作之SBX（模拟二进制交叉）...
weixin_33893979的博客
05-18 2819
本文主要介绍遗传算法(实数编码)的交叉操作中的SBX，模拟二进制交叉。首先，给出个人用python2.7实现的代码，具体模块已上传到：https://github.com/guojun007/sbx_cross#!/usr/bin/env python#encoding:UTF-8import numpy as npimport random"""SBX 模拟二进制交叉输入：population ...
c语言算法大作业,粒子群优化算法（C语言版本）
weixin_30717229的博客
05-16 651
前言经历两小时，终于用C语言写完了算法，真是不容易。已经将近一年多没摸过C语言了，很多都忘了，之前计算机网络课的大作业CSMA-CD协议算法模拟因为要用C语言所以用了两天的空闲时间重新学了一遍C语言(仅仅学到了指针截止)，现在也是很多不记得了，写的比较丑陋。希望大家不要笑话。之前本想用JS写的但是不好调试什么的，所以还是用了C语言。(附加一句：物联网专业真的好坑，大二最好就自学号JAVA或者C++...
遗传算法求函数最值(C语言实现)
05-20
该程序实现了用遗传算法求y=x*sin(10*PI*x)+2.0的最大值，若需求其他函数最值，稍作修改即可。
遗传算法求解函数最大值
07-14
遗传算法（Genetic Algorithms，GA）是一种基于自然选择和自然遗传机制的搜索算法，它是一种有效的解决最优化问题的方法，属于一种进化算法。本实验要求采用简单遗传算法求解如下一元函数的最大值：
遗传算法求最大值问题c语言,用遗传算法求函数最大值三：主程序和结果
weixin_29006187的博客
05-24 654
主程序主程序如下：clearclcpopsize = 30; % 种群规模chromlength = 10; % 染色体长度pc = 0.5; % 交叉概率pm = 0.05; % 变异概率maxgen = 20; % 最大迭代数lx = 5; ux ...
遗传算法求函数最大值，C++实现
11-17
用C++实现的遗传算法求函数的最大值，可运行
使用遗传算法计算函数最大值（C++代码）
hallobike的博客
11-24 5152
废话不多说直接上传C++代码 #include <iostream> #include <ctime> using namespace std; //使用遗传算法计算函数最大值，以函数 y=xsin(10π*x)+2.0为例。 const double pi = 3.14159265; const double pcross = 0.7;//交叉概率 const double pmutate = 0.001;//变异概率 const int len = 22;//22位的染色体
c语言基础-c语言编程基础之动态规划示例-最大子序和.zip
最新发布
03-17
本主题将详细讲解如何使用C语言实现动态规划来求解最大子序和问题。 最大子序和问题是一个经典的动态规划问题，它的目标是在一个整数数组中找到一个连续子序列，使得这个子序列的和最大。这个问题可以用于分析股票...
C语言求最大公约数和最小公倍数源码.zip
11-11
本项目提供了C语言实现求解这两个值的源代码。 最大公约数（GCD）是两个或多个整数共有的最大正除数。计算两个数的最大公约数有多种方法，其中最常用的是欧几里得算法（Euclidean Algorithm）。该算法基于以下原理...
C语言数值方法求矩阵特征值和特征向量（幂法和反幂法）
05-18
在 Homework_1_1 文件中，可能包含了实现这些算法的源代码，包括函数定义、主程序和测试用例。通过阅读和理解这些代码，你可以更深入地学习和掌握数值方法在求解矩阵特征值和特征向量中的应用。
遗传算法求最大值
01-20
遗传算法求最大值代码 具体代码 可直接执行 包括一些数据和具体步骤
遗传算法求解函数最大值（原理及matlab程序）
11-11
遗传算法求解函数最大值（原理及matlab程序）。参考文献：孙增圻，《智能控制理论与技术》，清华大学出版社。
基于遗传算法求解函数最大值
08-05
使用遗传算法求解函数最大值问题
简单的c#遗传算法求函数最大值
12-07
简单的遗传算法求函数最大值，VS2005-c#工程源代码，欢迎测试和修改，传播请保留个人信息，期待和大家多多交流！
遗传算法算函数最大值
05-26
适合初学者学习用的遗传算法cpp程序。注释详细，模块化很好。结构清晰。 人工智能入门必备
遗传算法求解函数最大值-C++
DongLUOWAN的博客
11-10 3138
遗传算法 简介 遗传算法是依照达尔文的自然选择和孟德尔的遗传变异理论， 生物的进化是通过繁殖、变异、竞争、选择来实现的，进化算法就是建立在上述生物模型基础上的一种随机搜索技术。 遗传算法的步骤 1. 确定最初的种群，对种群中每一个个体进行编码。 2. 计算每一个个体的适应度，概率以及累计概率 3. 用轮盘赌选择法选择两个个体进行交叉以及变异，生成新一代个体 4. 当没有达到原始种群规模时，不断进行第三步， 5. 当达到种群规模时，选择老一代中适应度最强的个体，加入新一代种群。 进化的代数根据你所想要的精度决
遗传算法求取函数最值问题
Henry的博客
04-24 5572
因为产生的二进制序列一般来说不是一个，这样是为了下面更好的交叉操作。并且，多个二进制序列也有利于找到最优的解。
【人工智能】实验四：遗传算法求函数最大值实验与基础知识
记录我的学习历程
12-17 7584
采用遗传算法求解函数最大值。
遗传算法求解函数最大值c++实现
weixin_45274629的博客
12-10 4712
遗传算法求解步骤 1.使用随机方法产生一个有N个染色体的初始种群 2.对群体中的每一个染色体，计算其适应值 3.从群体中随机选择一些染色体构成一个新的群体（常用方法:轮盘赌选择，锦标赛选择） 4.以一定概率进行交叉(单点交叉、多点交叉) 5.以一定概率进行变异 6.返回第2步，以一定的迭代次数进行循环 实例 取值范围的区间长度为3，pow(2,21)❤️*1000000<pow(2,22)...
遗传算法优化两两组合测试用例集研究
"这篇4万5千字的毕业论文探讨了如何使用遗传算法来优化两两组合测试用例集的生成。论文详细介绍了遗传算法在软件测试中的应用，特别是针对组合测试的问题，旨在减少测试用例数量的同时保持全面的覆盖效果。通过引入...
评论
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
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