GA遗传算法实现记录 C++版本 解决多元函数最值问题

已于 2022-03-22 10:24:28 修改
阅读量1.6k 收藏 20
点赞数 5
分类专栏： 实操经验记录 文章标签： c++ 算法
于 2022-03-18 00:19:02 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/weixin_52093215/article/details/123563929
版权

前言：

本文记录了自己在智能算法课程作业的实现代码设计，简单实现了遗传算法，所有代码为自己梳理了算法流程之后原创实现的！！！仅供参考，如果觉得有任何问题可以留言讨论~
别人的代码可以参考一些关键环节的实现，但是整体的框架设计以及具体实现还是要自己动手完成才有意义！！

另附
在查资料阶段参考的比较好的相关博客文章分享如下：
算法流程理解
c++实现参考
C++实现参考2

问题描述：

在这里插入图片描述

遗传算法实现流程

在这里插入图片描述

一、程序设计

1、辅助类设计

A)个体类
通过类成员函数以及构造函数,实现个体的编码与适应值计算等

class Individual {
public:
	double x;
	double y;
	vector<int>code;
	double fitness;
	double FitRatio;

	void init() {
				
		for (int i = 0; i < Len; i++) {
			double r = rand();
			int x = (r < RAND_MAX / 2) ? 0 : 1;
			code.push_back(x);
		}
	}
	double GetFitness() {
		return fitness = f(x, y);
	}
	void decode() {
		double ansX = 0, ansY = 0;
		for (int i = 0; i < LenX1; i++)
			ansX = ansX * 2 + code[i];
		for (int i = LenX1; i < Len; i++)
			ansY = ansY * 2 + code[i];
		
		x = xl + (xr - xl) * ansX / (pow(2, LenX1) - 1);
		y = yl + (yr - yl) * ansY / (pow(2, LenX2) - 1);

	}
	Individual() {
		init();
		decode();
		GetFitness();
		FitRatio = 0;
	}
};

B) 种群类
通过类成员函数以及将个体类对象作为成员,实现种群的初始化,以及选择交叉变异等一系列操作等

class Group {
public:
	vector<Individual*>Current;
	vector<Individual*>Next;
	int CBestNo;
	double CBestVal;	int NBestNo;
	double NBestVal;
	Group() {
		CBestNo = -1;
		NBestNo = -1;
		NBestVal = -100;
		CBestVal = -100;

		double sum = 0; CBestVal = -100;
		for (int i = 0; i < N; i++) {
			Individual* p = new Individual();
			double tem = p->fitness;
			sum += tem;
			if (tem > CBestVal) {
				CBestNo = i; CBestVal = tem;
			}
			Current.push_back(p);
		}
		for (int i = 0; i < N; i++)
			Current[i]->FitRatio = Current[i]->fitness / sum;
	}
	void Selection() {
		for (int i = 0; i < N; i++) {
			int n = 0;
			double pos = ran(seed);
			double CheckPos = 0;
			while (1) {
				CheckPos += Current[n]->FitRatio;
				if (CheckPos >= pos)break;
				n++;
			}
			Next.push_back(Current[n]);
		}
	}
	void Cross() {
		vector<Individual*>Participants;
		for (int i = 0; i < N; i++) {
			if (ran(seed) < Pcross)Participants.push_back(Next[i]);
		}
		int num = Participants.size();
				for (int i = 1; i < num; i += 2) {

						int dot = (rand() / RAND_MAX) *Len;
			int tem;
			for (int j = 0; j < dot; j++) {
				tem = Participants[i - 1]->code[j];
				Participants[i - 1]->code[j] = Participants[i]->code[j];
				Participants[i]->code[j] = tem;
			}
		}
	}
	void Mutate() {
		NBestVal = -100;
		double tem;
		for (int i = 0; i < N; i++) {
			for (int j = 0; j < Len; j++) {
								if (ran(seed) < Pmutate)Next[i]->code[j] = !Next[i]->code[j];
			}
			Next[i]->decode();
			tem = Next[i]->GetFitness();
			if (tem > NBestVal) {
				NBestNo = i;
				NBestVal = tem;
			}
		}
	}
	void Evolute() {
		Selection();
		Cross();
		Mutate();
		if (NBestVal > CBestVal) {
			double sum = 0;
			for (int i = 0; i < N; i++) {
				sum += Next[i]->fitness;
				Current[i] = Next[i];
				Next[i] = nullptr;
			}
			for (int i = 0; i < N; i++)
				Current[i]->FitRatio = Current[i]->fitness / sum;
			Next.resize(0);
			CBestNo = NBestNo;
			CBestVal = NBestVal;
		}
	}
};

2、求解染色体长度函数：

根据精度设置，得到所需的染色体长度：

void GetLen() {
	double XRange = (xr - xl) * pow(10, precision);
	int m = 1;
	while (1) {
		if (pow(2, m) - 1 >= XRange)break;
		m++;
	}
	double YRange = (yr - yl) * pow(10, precision);
	int n = 1;
	while (1) {
		if (pow(2, n) - 1 >= YRange)break;
		n++;
	}
	LenX1 = m;
	LenX2 = n;
	Len = m + n;

	}

3、个体编码（二进制编码）

void init() {
		for (int i = 0; i < Len; i++) {
			double r = rand();
			int x = (r < RAND_MAX / 2) ? 0 : 1;
			code.push_back(x);
		}
	}

注意此处0，1的随机数生成不可以使用!!!

srand((int)time(0));
int x=rand()%2;

由于每一次循环产生的随机序列都是一样的，这样会使得后面对于种群初始化的时候，每一个个体的编码都是一样的

对应的解码函数：

void decode() {
		double ansX = 0, ansY = 0;
		for (int i = 0; i < LenX1; i++)
			ansX = ansX * 2 + code[i];
				for (int i = LenX1; i < Len; i++)
			ansY = ansY * 2 + code[i];
		x = xl + (xr - xl) * ansX / (pow(2, LenX1) - 1);
		y = yl + (yr - yl) * ansY / (pow(2, LenX2) - 1);
	}

注意如何实现了限制解码之后的数始终在所限制的变量范围内

4、适应度函数

double GetFitness() {
		return fitness = f(x, y);
	}//个体Individual类的函数
	
double f(double x, double y) {
	return 21.5 + x * sin(4 * Pi * x) + y * sin(20 * Pi * y);// 单独定义的函数
}

5、种群初始化

Group() {
		CBestNo = -1;
		NBestNo = -1;
		NBestVal = -100;
		CBestVal = -100;

		double sum = 0; CBestVal = -100;
		for (int i = 0; i < N; i++) {
			Individual* p = new Individual();
			double tem = p->fitness;
			sum += tem;
			if (tem > CBestVal) {
				CBestNo = i; CBestVal = tem;
			}
			Current.push_back(p);
		}

		for (int i = 0; i < N; i++)
			Current[i]->FitRatio = Current[i]->fitness / sum;

	}

6、选择（轮盘赌）

void Selection() {	
		for (int i = 0; i < N; i++) {
			int n = 0;
			double pos = ran(seed);
			double CheckPos = 0;
			while (1) {
				CheckPos += Current[n]->FitRatio;
				if (CheckPos >= pos)break;
				n++;
			}
			Next.push_back(Current[n]);
		}
	}

7、单点交叉

void Cross() {
		vector<Individual*>Participants;
		for (int i = 0; i < N; i++) {
			if (ran(seed) < Pcross)Participants.push_back(Next[i]);
		}
		int num = Participants.size();
				for (int i = 1; i < num; i += 2) {

						int dot = (rand() / RAND_MAX) *Len;
			int tem;
			for (int j = 0; j < dot; j++) {
				tem = Participants[i - 1]->code[j];
				Participants[i - 1]->code[j] = Participants[i]->code[j];
				Participants[i]->code[j] = tem;
			}
		}
	}

8、变异

void Mutate() {
		NBestVal = -100;
		double tem;
		for (int i = 0; i < N; i++) {
			for (int j = 0; j < Len; j++) 
				if (ran(seed) < Pmutate)Next[i]->code[j] = !Next[i]->code[j];
			
			Next[i]->decode();
			tem = Next[i]->GetFitness();
			if (tem > NBestVal) {
				NBestNo = i;
				NBestVal = tem;
			}
		}
	}

9、种群进化

void Evolute() {
		Selection();
		Cross();
		Mutate();
		if (NBestVal > CBestVal) {
			double sum = 0;
			for (int i = 0; i < N; i++) {
				sum += Next[i]->fitness;
				Current[i] = Next[i];
				Next[i] = nullptr;
			}
			for (int i = 0; i < N; i++)
				Current[i]->FitRatio = Current[i]->fitness / sum;
			Next.resize(0);

			CBestNo = NBestNo;
			CBestVal = NBestVal;
		}
	}

二、问题求解

1、给定参数

在这里插入图片描述

完整代码
#include <iostream>
#include<vector>
#include <cmath>
#include<algorithm>
#include<ctime>
#include<random>
#include<cstdlib>
using namespace std;


const double Pi = 3.14159265358979323846;
const double Pcross = 0.7;const double Pmutate = 0.07;const int GMax = 2000;const int N = 100;

int Len;
int LenX1;
int LenX2;
int precision = 4;

double xl = -3.0, xr = 12.1, yl = 4.1, yr = 5.8;

default_random_engine seed(time(0));
uniform_real_distribution<double> ran(0, 1);

void GetLen() {
	double XRange = (xr - xl) * pow(10, precision);
	int m = 1;
	while (1) {
		if (pow(2, m) - 1 >= XRange)break;
		m++;
	}
	double YRange = (yr - yl) * pow(10, precision);
	int n = 1;
	while (1) {
		if (pow(2, n) - 1 >= YRange)break;
		n++;
	}
	LenX1 = m;
	LenX2 = n;
	Len = m + n;

	}

double f(double x, double y) {
	return 21.5 + x * sin(4 * Pi * x) + y * sin(20 * Pi * y);
}

class Individual {
public:
	double x;
	double y;
	vector<int>code;
	double fitness;
	double FitRatio;

	void init() {
		for (int i = 0; i < Len; i++) {
			double r = rand();
			int x = (r < RAND_MAX / 2) ? 0 : 1;
			code.push_back(x);
		}
	}
	double GetFitness() {
		return fitness = f(x, y);
	}
	void decode() {
		double ansX = 0, ansY = 0;
		for (int i = 0; i < LenX1; i++)
			ansX = ansX * 2 + code[i];
				for (int i = LenX1; i < Len; i++)
			ansY = ansY * 2 + code[i];

		x = xl + (xr - xl) * ansX / (pow(2, LenX1) - 1);
		y = yl + (yr - yl) * ansY / (pow(2, LenX2) - 1);

	}
	Individual() {
		init();
		decode();
		GetFitness();
		FitRatio = 0;
	}
};

class Group {
public:
	vector<Individual*>Current;
	vector<Individual*>Next;
	int CBestNo;
	double CBestVal;	int NBestNo;
	double NBestVal;
	Group() {
		CBestNo = -1;
		NBestNo = -1;
		NBestVal = -100;
		CBestVal = -100;

		double sum = 0; CBestVal = -100;
		for (int i = 0; i < N; i++) {
			Individual* p = new Individual();
			double tem = p->fitness;
			sum += tem;
			if (tem > CBestVal) {
				CBestNo = i; CBestVal = tem;
			}
			Current.push_back(p);
		}

		for (int i = 0; i < N; i++)
			Current[i]->FitRatio = Current[i]->fitness / sum;

	}
	void Selection() {	
		for (int i = 0; i < N; i++) {
			int n = 0;
			double pos = ran(seed);
			double CheckPos = 0;
			while (1) {
				CheckPos += Current[n]->FitRatio;
				if (CheckPos >= pos)break;
				n++;
			}
			Next.push_back(Current[n]);
		}
	}
	void Cross() {
		vector<Individual*>Participants;
		for (int i = 0; i < N; i++) {
			if (ran(seed) < Pcross)Participants.push_back(Next[i]);
		}
		int num = Participants.size();
				for (int i = 1; i < num; i += 2) {

						int dot = (rand() / RAND_MAX) *Len;
			int tem;
			for (int j = 0; j < dot; j++) {
				tem = Participants[i - 1]->code[j];
				Participants[i - 1]->code[j] = Participants[i]->code[j];
				Participants[i]->code[j] = tem;
			}
		}
	}
	void Mutate() {
		NBestVal = -100;
		double tem;
		for (int i = 0; i < N; i++) {
			for (int j = 0; j < Len; j++) 
				if (ran(seed) < Pmutate)Next[i]->code[j] = !Next[i]->code[j];
			
			Next[i]->decode();
			tem = Next[i]->GetFitness();
			if (tem > NBestVal) {
				NBestNo = i;
				NBestVal = tem;
			}
		}
	}
	void Evolute() {
		Selection();
		Cross();
		Mutate();
		if (NBestVal > CBestVal) {
			double sum = 0;
			for (int i = 0; i < N; i++) {
				sum += Next[i]->fitness;
				Current[i] = Next[i];
				Next[i] = nullptr;
			}
			for (int i = 0; i < N; i++)
				Current[i]->FitRatio = Current[i]->fitness / sum;
			Next.resize(0);

			CBestNo = NBestNo;
			CBestVal = NBestVal;
		}
	}
};


int main() {
			GetLen();
	Group generation;

	for (int i = 0; i < GMax; i++) 
		generation.Evolute();
	cout << "BestVal: " << generation.CBestVal << " with X1= " << generation.Current[generation.CBestNo]->x << ",X2= " << generation.Current[generation.CBestNo]->y << endl;

}

2、调查参数

在这里插入图片描述

完整代码

主函数不一样

int main() {
			
	GetLen();

	ofstream fout1("Ans.txt");//完整记录的文件
	ofstream fout2("BestVal.txt"); //记录答案的文件（按照python列表的格式，方便后续可视化）
	
	fout2 << "结果是：[ "<<endl;
	fout1 << "Pc" << '\t' << "Pm" << '\t' << "BestVal" << endl;

	for (double i = 0.1; i < 1; i+=0.1) {
		Pcross = i;
		for (double j = 0.01; j <0.1; j+=0.01) {
			Pmutate = j;
			double ans = 0;
			for (int k = 0; k < 30; k++) {
				Group generation;
				for (int i = 0; i < GMax; i++) 
					generation.Evolute();
				ans += generation.CBestVal;
			}
			ans /= 30;
			fout1 << Pcross << '\t' << Pmutate << '\t' << ans << endl;
			fout2 << ans << ", "<<endl;

			cout << Pcross << '\t' << Pmutate << '\t' << ans << endl;
		}
	}
	fout1.close(); 
	fout2.close(); 
}
利用python进行平面图像拟合

在这里插入图片描述

努力的耿耿
关注
  • 5
    点赞
  • 踩
  • 20
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
GA遗传算法C++实现，控制台演示
11-05
遗传算法 C++实现 控制台演示版本 附有详尽注释 注：因为是单数浮点数编码，所以未使用基因重组函数 如果看完仍然不懂，欢迎参看本人博客的一篇关于GA的文章 http://blog.csdn.net/emiyasstar__/article/details/6938608
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
遗传算法优化求解简单多元函数极值问题，适合小白入门，附最优解和收敛曲线
最新发布
PYdyfJbStw的博客
04-29 351
遗传算法的实现相对简单，不需要过多的数学知识和复杂的编程技巧。在迭代的每一步，通过与目标函数进行比较，选择适应度较高的个体进行交叉和变异，从而实现种群的进化和优化。因此，基于遗传算法的最优化求解问题是一种实实在在的技术分析方法，可以为程序员们提供更多解决问题的思路和方法。它以生物进化的原理为基础，通过模拟选择、交叉和变异等操作，从初始的种群中逐步演化出具有较高适应度的个体，最终找到问题的最优解。相比传统的优化算法，遗传算法具有较强的全局搜索能力和对复杂问题的适应性，特别适合于求解多元函数的极值问题。
仿生智能算法实践 用 C++ 和 C语言实现遗传算法（GA） 计算TSP背包问题 全部源代码程序.rar
05-28
仿生智能算法实践 用 C++ 和 C语言实现遗传算法（GA） 计算TSP背包问题 全部源代码程序
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 [bestchrom,~,~,~,~,~] = ga(@FitnessFcn, nVars, [],[],[],[],[
C# 遗传算法 求函数极值
04-09
C# 遗传算法 求函数极值 C# 遗传算法 求函数极值 C# 遗传算法 求函数极值
C++实现多目标遗传算法（0/1背包问题）
ORIGINAL GEOMETRY
10-31 4387
（背包问题）：背包只能容得下一定重量b的物品，物品有m种，每种物品有自己的重量w(i)和价值v(i)，从这些物品中选择装入背包，是背包不超过重量b，但价值又要最大。 上面为单目标的0/1规划问题，也就是说只考虑物体的重量不考虑物体的体积，形状等问题，一般而言，利用动态规划可以很好地解决背包问题，但是如果物体过多，使用动态规划将浪费很大的资源． 遗传算法作经典的人工智能算法，可以很
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
遗传算法解决多元函数优化问题（C++实现）
qq_51662265的博客
05-24 2209
0、代码使用 代码提供了计算多元函数范围内极值的接口，可以参数的数量、参数范围、编码分辨率、极大值极小值的选择等。解决大部分多元函数优化问题可以直接拿来使用。 GeneticAlgorithm(vector<vector<float>> Domain, int resolution, bool ifMax) Domain 二维数组 为参数的范围 resolution 为编码分辨率，值越大，结果越精确 ifMax true：求极大值 false：求极小值 1、遗传算法原理
遗传算法解决多元多目标函数极值问题
zzqingyun的博客
01-07 2692
????欢迎来到智能优化算法的世界 ????博客主页：卿云阁 ????欢迎关注????点赞????收藏⭐️留言???? ????本文由卿云阁原创！ ????本阶段属于筑基阶段之一，希望各位仙友顺利完成突破 ????首发时间：????2021年1月7日???? ✉️希望可以和大家一起完成进阶之路！ ????作者水平很有限，如果发现错误，请留言轰炸哦！万分感谢！ 目录 0️⃣基本介绍 1️⃣代码部分 2️⃣结果 0️⃣✨✨✨基本介绍✨✨✨ 现实生活中的很多决策问题都要考虑同
遗传算法的C语言实现(一):以非线性函数求极值为例
weixin_34416649的博客
12-10 693
以前搞数学建模的时候，研究过(其实也不算是研究，只是大概了解)一些人工智能算法，比如前面已经说过的粒子群算法(PSO),还有著名的遗传算法(GA),模拟退火算法(SA),蚁群算法(ACA）等。当时懂得非常浅，只会copy别人的代码(一般是MATLAB),改一改值和参数，东拼西凑就拿过来用了，根本没有搞懂的其内在的原理到底是什么。这一段时间，我...
基于python实现遗传算法解决函数最值和TSP问题
11-08
毕业设计-遗传算法解决函数最值和TSP问题 ga_max.py,ga_min.py分别为遗传算法求最大和最小值 TSP.py为遗传算法解决旅行商问题 11.txt为城市坐标,22.txt为城市序号,GUI为一个简单的图形界面 <项目介绍> 该资源内...
GA_GA函数最小_遗传算法求最值_
09-30
MATLAB中，使用遗传算法（GA算法）求某个函数的最小值，最基础的遗传算法实现
遗传算法（GA）总结：算法流程，实例，思路
HUST_zxs的博客
07-22 5383
遗传算法（GA）偏应用的简要总结。包括算法的流程和个人对于算法搜索机制、设计思路的理解。
遗传算法求解函数极值
m0_61467750的博客
11-30 366
【代码】遗传算法求解函数极值。
遗传算法求解函数最大值-C++
DongLUOWAN的博客
11-10 3068
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
研一人工智能课后作业—实现遗传算法（C++版本）
wzk4869的博客
11-14 703
研一人工智能课后作业—实现遗传算法（C++版本）
遗传算法GA算法思路及其C++实现
热门推荐
Touch_Dream的博客
03-29 1万+
1、遗传算法求函数最优解题目要求： f(x1,x2) = 21.5+x1*sin(4pi*x1)+x2*sin(20pi*x2)st：约束范围 x1:[-3.0,12.1] x2:[4.1,5.8] 求函数在约束范围内的最大值2、算法流程图： 3、Genetic.h文件#ifndef _GENETIC_H_ #define _GENETIC_H_using namesp
遗传算法(ga)求解二元函数最值问题
01-26
对于二元函数最值问题，遗传算法可以通过初始化一组个体（也就是二元函数中的变量），然后利用选择、交叉和变异等操作来不断优化个体，最终得到最优解。 首先，遗传算法需要对二元函数进行编码，一般采用二进制编码...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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