遗传算法的浮点数编码JAVA,遗传算法(浮点数编码).doc

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=(