目录

基本概念

算法模型

相关生物学术语

遗传算法的基本操作

参数分析

C++程序测试Sphere函数

总结

visual studio2017c++源代码

源文件下载地址

  • 基本概念

遗传算法（genetic algorithm，GA）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。

主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，对参数编码不需要任何先验知识，采用平行搜索避免陷入局部优化。

遗传算法从代表问题的潜在解集的一个种群开始，而种群由基因编码的一定数目的个体组成。个体是染色体带有特征的实体，染色体由多个基因组成，也可以把基因描述成未编码之前的优化变量。每一代，根据个体适应度选择个体，借助自然遗传学的遗传算子进行组合交叉和变异来更新种群，整个过程模拟自然进化，末代种群的最优个体通过解码就是问题的最优解。

  • 算法模型

遗传算法流程图

  • 相关生物学术语

  1. 基因型(genotype)：性状染色体的内部表现；

  2. 表现型(phenotype)：染色体决定的性状的外部表现，或者说，根据基因型形成的个体的外部表现；

  3. 进化(evolution)：种群逐渐适应生存环境，品质不断得到改良。生物的进化是以种群的形式进行的。

  4. 适应度(fitness)：度量某个物种对于生存环境的适应程度。

  5. 选择(selection)：以一定的概率从种群中选择若干个个体。一般，选择过程是一种基于适应度的优胜劣汰的过程。

  6. 复制(reproduction)：细胞分裂时，遗传物质DNA通过复制而转移到新产生的细胞中，新细胞就继承了旧细胞的基因。

  7. 交叉(crossover)：两个染色体的某一相同位置处DNA被切断，前后两串分别交叉组合形成两个新的染色体。也称基因重组或杂交；

  8. 变异(mutation)：复制时可能（很小的概率）产生某些复制差错，变异产生新的染色体，表现出新的性状。

  9. 编码(coding)：DNA中遗传信息在一个长链上按一定的模式排列。遗传编码可看作从表现型到基因型的映射。

  10. 解码(decoding)：基因型到表现型的映射。

  11. 个体（individual）：指染色体带有特征的实体；

  12. 种群（population）：个体的集合，该集合内个体数称为种群

  • 遗传算法的基本操作

编码

即表现型转为基因型，在算法里为实数转化为二进制，解码反之。

举个例子：对于x∈[-1, 2] ，结果精确到6位小数，十进制实数与二进制编码之间应满足怎样的数学关系？

1.将二进制串转换为十进制为：

                                  (1)

2.将二进制串对应的实数x为

                                                  (2)

例如(1000101110110101000111)表示0.637197，因为

                                              (3)

                                       (4)

选择

选择(复制)操作把当前种群的染色体按与适应值成正比例的概率复制到新的种群中，主要思想: 适应值较高的染色体有较大的选择(复制)机会。

轮盘法：

  1. 将种群中所有染色体的个体相加求总和，个体适应值按其比例转化为选择概率Ps；
  2. 产生一个在0与总和之间的的随机数m；
  3. 从种群中第一个个体开始，将其适应值与后续个体的适应值相加，直到累加和等于或大于m，更新种群中的个体。

设种群的规模为N，为种群的第i个个体，F(x)为适应度函数，则个体被选择的概率：

                                                       (5)

从上面可以得出，遗传算法的适应度函数的值要取正值，并且优化模型应该是求最大值和非负的目标函数。

交叉

遗传交叉(杂交、交配、有性重组)操作发生在两个染色体之间，由两个被称之为双亲的父代染色体，经杂交以后，产生两个具有双亲的部分基因的新的染色体，从而检测搜索空间中新的点。

单点交叉方法：在双亲的父代染色体中以一定概率随机产生一个交叉点位置，在交叉点位置分离双亲染色体互换交叉点位置右边的基因码产生两个子代个体。本文采用两点交叉，确定方法类似。

变异

以变异概率Pm改变染色体的某一个基因,当以二进制编码时，变异的基因由0变成1，或者由1变成0。

停止准则

  1. 种群中个体的最大适应值超过预设定值
  2. 种群中个体的平均适应值超过预设定值
  3. 种群中个体的进化代数超过预设定值

  • 参数分析

种群规模N

当规模太小时，会出现近亲交配，产生病态基因；种群规模较大，难以收敛，稳健性下降。一般取0—100。

变异概率

当变异概率太小时，种群的多样性下降太快，导致有效基因的迅速丢失且不容易修补；当变异概率太大是，高阶模式被破坏的概率随之增大。一般取0.0001—2。

交叉概率

更新种群的重要方式，交配概率太大破坏已有的有利模式，随机性增大，容易错失最优个体；交配概率太小不能有效更新种群，一般取0.4—0.99。

进化代数

进化代数太小，算法不容易收敛，种群还没有成熟；代数太大，进化没有意义，浪费时间和资源。一般取100—500。

  • C++程序测试Sphere函数

通过程序计算，迭代200步，用origin整理如下：

从上图可以看书，收敛用时还是比较少，在50步左右就收敛了。

  • 总结

遗传算法的优点：

  1. 与问题领域无关、快速随机的搜索能力。
  2. 潜在的并行性，多个个体的同时比较，鲁棒性强。
  3. 使用概率机制进行迭代，具有随机性。
  4. 具有可扩展性，容易与其他算法结合。

遗传算法的缺点：

  1. 编程实现比较复杂,需要对问题进行编码,得到最优解还需要解码。
  2. 另外三个算子的实现也有许多参数,如交叉率和变异率，并且这些参数的选择严重影响解的品质，而目前这些参数的选择大部分是依靠经验。
  3. 算法的搜索速度比较慢，要得要较精确的解需要较多的时间。
  4. 算法的并行机制的潜在能力没有得到充分的利用。

  • visual studio2017c++源代码

pch.h头文件：

// Geneti_algorithm.cpp : 遗传算法实现过程。更新于2020.5.3
//开发人员：陈帅   开始日期：2019.8.5-8.8         邮箱：chenshuai0614@hrbeu.edu.cn
#ifndef PCH_H
#define PCH_H
#include <iostream>
# include <fstream>
#include <iomanip>
#include <math.h>
#include <vector>
#include<random>
#include<ctime>
using namespace std;
//产生随机小数或整数
class RandomNumber {
public:RandomNumber() {srand(time(0));    //析构函数，在对象创建时数据成员执行初始化操作}int integer(int begin, int end){return rand() % (end - begin + 1) + begin;}double decimal(double a, double b){return double(rand() % 10000) / 10000 * (b - a) + a;}
};
//ga用于定义优化变量范围，以及遗传算法过程中的选择、交叉、变异算子、解码、个体适应度计算等函数。
class ga
{
private://==========================遗传算法参数设置=============================int  N_genetic ;                //种群规模，太小产生病态基因；种群规模太大，难以收敛，一般0-100double M_pgentic ;            //变异概率，与种群多样性有关，一般0.0001-0.2double C_pgentic ;             //交叉概率，概率太大，容易错失最优个体，太小布恩那个有效更新种群，一般0.4-0.99.int E_gentic ;                 //进化代数，太小，算法不容易收敛，太大增加时间和资源浪费，一般100-500.int L_variable;                //个体变量的字符串长度(基因数)double precision;int N_variable ;                 //个体变量的个数
public:vector<vector<double>>x_i;          //优化变量vector<double>x_best;               //最优个体vector<vector<int>>x_binary;        //个体染色体vector<double> fitness;             //个体适应度;由于适应度函数要比较排序并在此基础计算选择概率，适应度函数的值应该取正值。double best_fitness;                //种群最优适应度vector<double> sumfitness;          //前面个体适应度和vector<double> P_i;                 //个体被选择的概率 vector<double>x_low = { -600 };     //优化变量最小值vector<double>x_high = { 600 };     //优化变量最大值void initialize();//初始化，产生初始种群vector<double> Real_trans(vector<int>x_binary);   //二进制转换为实数void SetParameters();               //设置算法参数void Optimization_iteration();void select_operator();             //选择算子void crossover_operator();          //交叉算子void mutate_operator();             //变异算子
};
double function(vector<double> x); //目标函数
#endif //PCH_H

Genetic_algorithm.cpp主函数

#include "pch.h"
int main()
{ga GA;          //定义全局遗传算法相关函数//=========================设置算法参数====================GA.SetParameters();//========================初始化并赋值=====================GA.initialize();//=====================优化迭代并输出结果=======================GA.Optimization_iteration();
}

ga_function.cpp函数文件：

#include "pch.h"
//=============================设置参数====================================
void ga::SetParameters()
{N_genetic = 50;                //种群规模，太小产生病态基因；种群规模太大，难以收敛，一般0-100M_pgentic = 0.25;            //变异概率，与种群多样性有关，一般0.0001-0.2C_pgentic = 0.5;             //交叉概率，概率太大，容易错失最优个体，太小布恩那个有效更新种群，一般0.4-0.99.E_gentic = 400;                 //进化代数，太小，算法不容易收敛，太大增加时间和资源浪费，一般100-500.precision=0.001;L_variable =  int(log((x_high[0] - x_low[0]) / precision + 1) / log(2));//个体变量的字符串长度(基因数)N_variable=2;
}
//***************************
//二进制转换为实数
//******************************
vector<double> ga::Real_trans(vector<int>x_binary)
{vector<int>x_decimal(N_variable);vector<double>x(N_variable);for (int j = 0; j < N_variable; j++){for (int k = j * L_variable, l_gen = 0; k < (j + 1)*L_variable; k++, l_gen++){x_decimal[j] = x_decimal[j] + x_binary[k] * pow(2, l_gen);}x[j] = x_low[0] + double(x_decimal[j]) / (pow(2, L_variable ) - 1)*(x_high[0] - x_low[0]);}return x;
}
//*******************
//初始化并赋值
//*******************
void ga::initialize()
{extern RandomNumber r;       //定义全局随机数x_i.resize(N_genetic, vector<double>(N_variable));x_best.resize(N_variable);fitness.resize(N_genetic);x_binary.resize(N_genetic, vector<int>(N_variable*L_variable)); //优化变量二进制for (int i = 0; i < N_genetic; i++){//================================基因编码===============================================for (int j = 0; j < N_variable*L_variable; j++){x_binary[i][j] = r.integer(0,1);cout<< x_binary[i][j];}cout << endl;x_i[i]=Real_trans(x_binary[i]);fitness[i] =1/function(x_i[i]);}x_best = x_i[0];                      //初始化最优个体best_fitness = fitness[0];for (int i = 1; i < N_genetic; i++){if (best_fitness < fitness[i]){best_fitness = fitness[i];x_best = x_i[i];}}
}
void ga::Optimization_iteration()
{clock_t startTime, endTime; //定义程序开始运行时间和结束时间startTime = clock();        //计时开始ofstream out("遗传算法优化结果.txt");for (int i = 0; i < E_gentic; i++){select_operator();  //选择父代更新个体crossover_operator();  //有交配权的所有父代进行交叉mutate_operator();     //个体变异for (int j = 0; j< N_genetic; j++){fitness[j] = 1 / function(x_i[j]);if (best_fitness < fitness[j]){best_fitness = fitness[j];x_best = x_i[j];}}   //种群选优out << i << fixed << setw(12) << setprecision(5) <<1/ best_fitness << endl;}out << "最优变量:" << endl;for (int i = 0; i < N_variable; i++){out << "x" << i << "=" << fixed << setw(12) << setprecision(5) << x_best[i] << endl;//输出最优变量}out << "最优值=" << fixed << setw(12) << setprecision(5) << 1 / best_fitness << endl;endTime = clock();//计时结束out << "run time:" << (double)(endTime - startTime) / CLOCKS_PER_SEC << "s" << endl;out.close();
}//*******************
//选择算子函数
//*******************
void ga::select_operator()
{double totalfit = 0, p_i;sumfitness.resize(N_genetic);P_i.resize(N_genetic);extern RandomNumber r;       //随机数vector<vector<int>>new_x_binary(N_genetic, vector<int>(N_variable*L_variable));//储存选择产生的新个体for (int i = 0; i < N_genetic; i++){sumfitness[i] = totalfit + fitness[i];totalfit = totalfit + fitness[i];}//计算个体概率for (int i = 0; i < N_genetic; i++){P_i[i] = sumfitness[i] / totalfit;}//选择父代for (int i = 0; i < N_genetic; i++){p_i = r.decimal(0, 1.0);//利用轮盘法选择个体if (p_i <= P_i[0])new_x_binary[i] = x_binary[0];else{for (int j = 0; j < N_genetic - 1; j++){if (p_i > P_i[j]&&p_i <= P_i[j+1])new_x_binary[i] = x_binary[j + 1];}}}//更新个体x_binary = new_x_binary;
}
//*******************
//交叉算子函数，两点交叉
//*******************
void ga::crossover_operator()
{int  cpoint1, cpoint2, t;                //交叉点cpoint1, cpoint2生成,t为替换值double p_c;                              //随机产生交叉概率extern RandomNumber r;       //随机数for (int i = 0; i < N_genetic; i = i + 2){//随机产生两个交叉点的数cpoint1 = r.integer(0, N_variable* L_variable-1);cpoint2 = r.integer(0, N_variable* L_variable-1);if (cpoint2 < cpoint1){t = cpoint2; cpoint2 = cpoint1; cpoint1 = t;}p_c = r.decimal(0, 1.0);//交叉过程if (p_c < C_pgentic){for (int j = cpoint1; j <= cpoint2; j++){t = x_binary[i][j]; x_binary[i][j] = x_binary[i+1][j]; x_binary[i+1][j] = t;}}}
}
//*******************
//变异算子函
//*******************
void ga::mutate_operator()
{int  mpoint;//变异点mpoint生成double p_m;extern RandomNumber r;       //定义全局随机数for (int i = 0; i < N_genetic; ++i){//随机产生变异点mpoint = r.integer(0, N_variable* L_variable-1);p_m = r.decimal(0, 1.0);if (p_m < M_pgentic)if (x_binary[i][mpoint] == 0){x_binary[i][mpoint] = 1;}else {x_binary[i][mpoint] = 0;}}//变异后的染色转换为实数for (int i = 0; i < N_genetic; i++){x_i[i] = Real_trans(x_binary[i]);}
}

  • 源文件下载地址

https://download.csdn.net/download/weixin_41788456/11828560

各位阅读文章的朋友觉得文章可以给个好评或者点赞，大家觉得有问题可以在评论区指出来或者发邮箱chenshuai0614@hrbeu.edu.cn联系我！如需要转载请附上链接，谢谢各位朋友！

（更新于2020.05.03）

智能优化算法——遗传算法原理（附代码）相关推荐

  1. 【智能优化算法-遗传算法】基于遗传算法求解单目标优化问题（实数编码）附matlab代码

    ✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信.

  2. 【9种优化算法比较】CGO、SCA、GWO、CSA、SSA、HHO、WOA、PSO、TSO智能优化算法比较（Matlab代码实现）

  3. java寻优算法_模拟退火算法SA原理及python、java、php、c++语言代码实现TSP旅行商问题，智能优化算法，随机寻优算法，全局最短路径...

    模拟退火算法SA原理及python.java.php.c++语言代码实现TSP旅行商问题,智能优化算法,随机寻优算法,全局最短路径 模拟退火算法(Simulated Annealing,SA)最早的思 ...

  4. 《Python智能优化算法：从原理到代码实现与应用》出版啦

    <Python智能优化算法:从原理到代码实现与应用> 各位亲爱的小伙伴,让各位久等了.我们撰写的<Python智能优化算法:从原理到代码实现与应用>由电子工业出版社出版了. 本 ...

  5. 智能优化算法合集 持续更新 收藏不亏∩ω∩

    近日看到了一篇论文,分类列举了当前已发展的智能优化算法,其体量令人惊讶...... 因研究方向相近,本文专栏后续更新这些智能优化算法的原理.步骤及实现代码(希望不断更) 欢迎各路大佬点赞收藏! 基于进 ...

  6. 浣熊优化算法(COA)(含MATLAB代码)

    先做一个声明:文章是由我的个人公众号中的推送直接复制粘贴而来,因此对智能优化算法感兴趣的朋友,可关注我的个人公众号:启发式算法讨论.我会不定期在公众号里分享不同的智能优化算法,经典的,或者是近几年提出 ...

  7. 【智能优化算法】基于遗传算法实现城市交通信号优化附matlab代码

    1 简介 本文设计实时优化的配置方案对道路畅通的应急决策管理具有重要意义.本文在分析交通控制基本理论的基础上,根据交叉口的实际情况并考虑信号灯的转换与车辆的启动损失时间,采用四相位对称式放行方案,以车 ...

  8. 遗传算法_粒子群算法优化支持向量机分类预测-附代码

    遗传算法/粒子群算法优化支持向量机分类预测-附代码 文章目录 遗传算法/粒子群算法优化支持向量机分类预测-附代码 1. 支持向量机简介与参数优化的原理 1.1 支持向量机SVM简介 1.2 优化参数的 ...

  9. 智能优化算法：帝国主义竞争算法-附代码

    智能优化算法:帝国主义竞争算法-附代码 文章目录 智能优化算法:帝国主义竞争算法-附代码 1.算法原理 1.1 帝国集团的初始化 1.2 帝国集团内部调整 1.3 交换帝国和殖民地的位置 1.4 帝国 ...

  10. gwo算法matlab源代码,智能优化算法应用：基于GWO优化BP神经网络 - 附代码

    智能优化算法应用:基于GWO优化BP神经网络 - 附代码 智能优化算法应用:基于GWO优化BP神经网络 - 附代码 智能优化算法应用:基于GWO优化BP神经网络 文章目录智能优化算法应用:基于GWO优 ...

最新文章

  1. PowerPC汇编指令集
  2. 再见，前端！别更新了，我是学不动了
  3. 三级IP地址的子网划分
  4. [转]Unix awk完全使用手册
  5. 再续前缘 阿里云基础设施网络团队ACM SIGCOMM 2021续创佳绩
  6. OpenInfra中国日志愿者第三次会议召开
  7. x230无线网卡驱动服务器版,联想ThinkPad X230无线网卡驱动 V18.40.4官方版
  8. 论文格式问题解决，标题前的黑点去除，分页后产生的空格消除。
  9. 计算机病毒防治教案,计算机病毒与防治教案
  10. 苹果IOS开发者账号总结
  11. 学游戏设计要什么学历_学历低学游戏动作设计好就业吗
  12. iPhone 各大机型设备号
  13. 计算机同一优盘记录,怎么查看电脑插过U盘的记录
  14. 如果Mac苹果电脑关机关不了怎么办？
  15. 3D相册 效果图如下
  16. 巴菲特卸任后盖茨梅琳达与四位新理事共管盖茨基金会；Club Med中国第三家冰雪度假村开业 | 美通社头条...
  17. 使用DirectPlay进行网络互联（3）
  18. 用 Python 分析各国人口性别比例，原来单身不是我的错
  19. requirejs 用法
  20. DELL较新机型“开机0x0000007B的蓝屏错误”的解决办法

热门文章

  1. OpenGLGamma校正
  2. eclispe 下载与安装
  3. 【软件过程改进 学习笔记】过程思维 ( 软件危机 | 软件过程 | 过程改进 | 过程思维 | 过程描述 | ISO 9000 | 6σ | PCM | CMMI )
  4. 使用linux批量引物设计,使用NCBI-ePCR和Primer3进行引物批量化设计
  5. Matlab来实现DDS功能
  6. Smart3D认识引擎（Engine） Smart3D更改工程或模型（Engine）执行路径、更改模型执行优先级（建立tile的顺序）
  7. talib 安装与使用
  8. 科学计算与MATLAB语言之基础知识
  9. 机器学习数学基础- gradient descent算法（上）
  10. 最新 | 机械工程领域SCI期刊一览(2020JCR)