人工智能实验-使用遗传算法求函数最值

完整代码：

#include <bits/stdc++.h>#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using namespace std;
typedef struct indi //一个个体
{int x;           //x in [0, 30] : 横向位置char bi[5];        //二进制编码，长度为5int fx;         //f(x)值:每个个体对环境的适应值，即当前函数值bool 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) */
int fx(int x)
{return x*x*x-60*x*x+900*x+100;
}GROUP Group;
char *stop;//1.初始化:随机产生5位二进制数
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() % 100;   /*产生0 ~100 的随机数*/for(int k=0;k<5;k++){if(t>50)Group.individuals[j].bi[k]=1;elseGroup.individuals[j].bi[k]=0;}Group.individuals[j].x = strtol(Group.individuals[j].bi,&stop,2);Group.individuals[j].live = true;}
}//2.个体评价：得到每个个体的适应度
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);}
}//3.选择运算：使用轮转盘法进行选择与淘汰
void choose(int gen)
{//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;for(int k=0;k<5;k++)Group.best.bi[k]=Group.individuals[i].bi[k];}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;}
}//4.交叉运算:单点交叉
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;}char str[5];for(int k=0;k<3;k++)str[k]=Group.individuals[first].bi[k];for(int k=3;k<5;k++)str[k]=Group.individuals[second].bi[k];int new_x=strtol(str,&stop,2);int new_fx=fx(new_x);if(new_fx>Group.individuals[first].fx && new_fx > Group.individuals[second].fx){Group.individuals[j].x = new_x;Group.individuals[j].fx = new_fx;for(int k=0;k<5;k++)Group.individuals[j].bi[k]=str[k];}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;for(int k=0;k<5;k++)Group.individuals[j].bi[k]=Group.individuals[first].bi[k];}else{Group.individuals[j].x = Group.individuals[second].x;Group.individuals[j].fx = Group.individuals[second].fx;for(int k=0;k<5;k++)Group.individuals[j].bi[k]=Group.individuals[second].bi[k];}}Group.individuals[j].live = true;}}return;
}//5.变异运算 ：位点变异——随机每个位置50%几率取反
//对一个个体的变异运算
void mutation_one(int x)
{int pro = rand() % 100;if(pro > probability)return ;for(int k=0;k<5;k++){int t=rand()%100;if(t>50){if(Group.individuals[x].bi[k]=='1')Group.individuals[x].bi[k]='0';elseGroup.individuals[x].bi[k]='1';}Group.individuals[x].bi[k]^=1;}Group.individuals[x].x=strtol(Group.individuals[x].bi,&stop,2);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;for(int k=0;k<5;k++)Group.best.bi[k]=Group.individuals[x].bi[k];}
}//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);}}
}//总调用函数，决定一个种群的进化
//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}
}int main()
{//时间种子产生随机数srand(time(0));sovel();cout<<Group.best.fx<<endl;cout<<Group.best.x<<endl;cout<<Group.best.bi<<endl;return 0;
}

实验结果：

人工智能实验-使用遗传算法求函数最值相关推荐

Python实现遗传算法求函数最值
Python实现遗传算法求函数最值详细源代码:GA.py 1.算法过程图解 2.详细过程举例说明 (1)待求解方程 (2)确定编码方案主要是确定编码长度: def segment_length(s ...
人工智能遗传算法求函数极值
** 人工智能遗传算法求函数极值 ** 1.实验目的与原理 1)目的熟悉和掌握遗传算法的原理.流程和编码策略,并利用遗传求解函数优化问题,理解求解函数极值问题的流程并测试主要参数对结果的影响,掌握遗 ...
基于遗传算法求函数最小值
一.遗传算法概述遗传算法( genetic algorithm,GA)是一种进化算法,其基本原理是仿效生物界中的"物竞天择.适者生存"的演化法则.遗传算法是把问题参数编码为染色体 ...
python求函数极值_python 遗传算法求函数极值的实现代码
废话不多说,大家直接看代码吧! """遗传算法实现求函数极大值-Zjh""" import numpy as np import rando ...
用标准遗传算法求函数最大值
题:用标准遗传算法求函数f(x)=x+10sin(5x)+7cos(4x)的最大值,其中x的取值范围为[0,10].只是一个有多个局部极值的函数仿真过程: (1)初始化种群数目NP=50,染色体二进 ...
遗传算法求函数极值（含MATLAB代码实现）
介绍转载自https://blog.csdn.net/xujinpeng99/article/details/6211597,后面用自己设置的函数进行实验. 引言:遗传算法求函数极值算是遗传算法的一种 ...
实验3-2 计算符号函数的值 (10 分)
实验3-2 计算符号函数的值 (10 分) 对于任一整数n,符号函数sig**n(n)的定义如下: 请编写程序计算该函数对任一输入整数的值. 输入格式: 输入在一行中给出整数n. 输出格式: 在一行中 ...
蚁群算法求最值c语言实现,蚁群算法代码(求函数最值)
<蚁群算法代码(求函数最值)>由会员分享,可在线阅读,更多相关<蚁群算法代码(求函数最值)(4页珍藏版)>请在人人文库网上搜索. 1.function F=F(x1,x2) % ...
均值定理最大值最小值公式_求函数最值问题复杂难算，只要用对方法，考试得分不用愁...
均值定理也就是我们常说的均值不等式,看到不等式这三个字,大家肯定不会觉得陌生,因为从初中开始,我们就已经接触它了,初中对于不等式的应用都是很浅显易懂的,但是到了高中,随着我们学习的知识不断加深,不等式 ...

人工智能实验-使用遗传算法求函数最值

人工智能实验-使用遗传算法求函数最值相关推荐

最新文章

热门文章