遗传算法(浮点数编码).doc
浮点数编码实现遗传算法
遗传算法主要包括三个主要操作,选择、交叉和变异。用浮点数编码进行运算,三种操作方法如下:和
计算
累计概率
产生均匀分布0~1的随机数r
将r与比较,如果,则选择个体i进入到下一代新群体
反复执行4和5,直至新群体的个体数目等于父代群体规模
交叉:
其中,和是交叉之后的个体,和是随机选择的两个个体,是交叉的一个常数, 取值为。
变异:
是变异之后的个体,是变异之前的个体,k是变异的一个常数,取值为,是个体的上限,是个体的下限,r是产生的随机数。
适应度线性变换:
其中F是原适应度,是变换之后的适应度,a,b是变换的系数。适应度线性变换要满足下面两个条件:
条件一:
条件二:C=1.2~2
缩放时参数a,b的计算方法可以用如下方法:
如果满足:
就令:
否则:
实现代码如下:
#include
#include
#include
#include
#define M 80//种群数量
#define XMIN -1//下限
#define XMAX 2//上限
#define PI 3.1415926
#define PC 0.8//交叉概率
#define PM 0.18//变异概率
#define PA 0.01//交叉因子
struct Node
{
double Pmember;
double Myfitness;//Myfitness是适应度
double Myfitsum;//Myfitsum是适应度占总体适应度的百分比,然后从第一个个体往后累加,主要用于选择操作
}Nownode[M],Nextnode[M];//本代群体和下一代群体
int nodeindex[M];//交叉时随机配对,存放配对的群体下标
int T=0;
double fx(double x)//根据x计算fx
{
double y;
y=x*sin(10*PI*x)+2;
//y=100-(x-5)*(x-5);
return y;
}
int calfitness()//计算适应度值
{
int i;
double minfitness,maxfitness,avefitness=0;
double C=1.7,a,b;
double temp;
minfitness=Nownode[0].Myfitness=fx(Nownode[0].Pmember);
maxfitness=minfitness;
avefitness=maxfitness;
for(i=1;i
{
Nownode[i].Myfitness=fx(Nownode[i].Pmember);
avefitness+=Nownode[i].Myfitness;
if(minfitness>Nownode[i].Myfitness)
{
minfitness=Nownode[i].Myfitness;
}
if(maxfitness
{
maxfitness=Nownode[i].Myfitness;
}
}
if(minfitness<0)//如果有负的适应度值,就把所以的适应度都加上一个数,使适应度全都为正数
{
temp=minfitness;
Nownode[0].Myfitness+=-temp;
avefitness=Nownode[0].Myfitness;
maxfitness=Nownode[0].Myfitness;
minfitness=Nownode[0].Myfitness;
for(i=1;i
{
Nownode[i].Myfitness+=-temp;
avefitness+=Nownode[i].Myfitness;
if(minfitness>Nownode[i].Myfitness)
{
minfitness=Nownode[i].Myfitness;
}
if(maxfitness
{
maxfitness=Nownode[i].Myfitness;
}
}
}
//适应度线性变换
avefitness=avefitness/M;//计算平均适应度
if(minfitness>(C*avefitness-maxfitness)/(C-1))
{
a=(