遗传算法探索

遗传算法

适者生存。”适“的是什么？是我们身边的环境还是上帝的指引？
自然界的生物不管情愿与否都被刻画着。有一条无形的手指引着人类前进的方向。
遗传算法，一个程序员自己刻画世界的方式。遗传算法通过模拟自然界的交叉变异，保证了问题的搜索空间。通过适应度函数刻画程序员自己的世界。

---

遗传算法本身是神经网络的前身。遗传算法的适应度函数和神经网络的损失函数本质一样。都是描述正解和现在得到解的差别。前期的神经网络就是通过遗传算法当作损失函数的。

关于遗传算法的实现细节

---

一般的遗传算法都有一个交配概率（又称为交叉概率），范围一般是0.6~1，这个交配概率反映两个被选中的个体进行交配的概率。例如，交配概率为0.8，则80%的“夫妻”会生育后代。每两个个体通过交配产生两个新个体，代替原来的“老”个体，而不交配的个体则保持不变。–维基百科

c语言代码

#include <stdio.h>
#include <stdlib.h>

struct Population{
    int gene[11];//基因为0，1组成
    double x;//基因型转化为表现型
    double y;
};
/*
求y=x*x的最小值，x取值范围为【-1,1】精度为0.001,所以基因位为11

*/
//初始种群
void initPopulation(struct Population *population,int populationNum){
    srand((unsigned)time(NULL));
    for(int i=0;i<populationNum;i++){
      population[i].x=-1;
      for(int j=0;j<11;j++){
        population[i].gene[j]=rand()%2;//随机数
      }
      printf("init gene[%d]=",i);
      for(int j=0;j<11;j++){
        printf("%d",population[i].gene[j]);
      }
      printf("\n");
    }
}

//基因型转化为表现型
void bitToNum(struct Population *population,int populationNum){
    for(int i=0;i<populationNum;i++){
            population[i].x=-1;
            int count=1;//进位符
        for(int j=10;j>=0;j--){
            population[i].x+=population[i].gene[j]*count*0.001;
            count*=2;
        }
        //printf("x=:%lf\n",population[i].x);
    }
    printf("\n");
}

//计算适应度函数
void fitness(struct Population *population,int populationNum){
    for(int i=0;i<populationNum;i++){
        population[i].y=population[i].x*population[i].x;//y=x*x
        printf("y=:%lf\n",population[i].y);
    }
}

//选择
void selection(struct Population *population,struct Population *crossoverPopulation,int populationNum){

/*使用轮盘赌算法进行选择，因为该遗传算法是求最小值，所以不能直接对fitness轮盘赌，通过一顿花里胡哨的倒数归一化操作，*/
    double total=0,sum=0;
    for(int i = 0;i<populationNum;i++){
        total+=((double)population[i].y);
    }
    for(int i = 0;i<populationNum;i++){
        sum+=(total/population[i].y);
    }
    double num,temp,rate;
    for(int i=0;i<2*populationNum;i++){
        num = 0;
        temp = (rand()%100000)*0.00001;
        for(int j=0;j<populationNum;j++){
            num+=(total/population[j].y);

            double rate = (double)num/sum;
            if(temp <=rate){
                for(int k=0;k<11;k++){
                    crossoverPopulation[i].gene[k]=population[j].gene[k];
                }
                break;
            }
        }
    }
}
//交叉
void crossover(struct Population *population,struct Population *crossoverPopulation,int populationNum,double pc){
    int probability,pos;
    for(int i = 0;i<populationNum;i++){
        probability = rand()%100;
        if(probability<=pc*100){
            pos == rand()%11;
            for(int k=0;k<11;k++){
                if(k<=pos){
                    population[i].gene[k]=crossoverPopulation[i].gene[k];
                }else{
                    population[i].gene[k]=crossoverPopulation[i+populationNum].gene[k];
                }
            }
        }
    }
}
//变异
void mutation(struct Population *population,int populationNum,double pm){
    int probability,pos;
    for(int i=0;i<populationNum;i++){
        probability = rand()%100;
        if(probability<pm*100){
            pos=rand()%10;
            if(population[i].gene[pos]==1){
                population[i].gene[pos]=0;
            }else{
                population[i].gene[pos]=1;
            }
        }
    }
}

int main()
{
    int populationNum=10;//初始种群大小
    double pc=0.8;//交叉概率
    double pm=0.03;//变异概率
    int generationNum=1000;//训练代数
    struct Population population[populationNum];
    struct Population crossoverPopulation[2*populationNum];
    initPopulation(population,populationNum);
    for(int i=0;i<generationNum;i++){
        bitToNum(population,populationNum);
        fitness(population,populationNum);
        selection(population,crossoverPopulation,populationNum);
        crossover(population,crossoverPopulation,populationNum,pc);
        mutation(population,populationNum,pm);
        printf("\n");
    }
    printf("train finishing!!!");
    return 0;
}