📄
字号:
一 需求分析
1．本程序演示的是用简单遗传算法随机一个种群，然后根据所给的交叉率，变异率，世代数计算最大适应度所在的代数
2．演示程序以用户和计算机的对话方式执行，即在计算机终端上显示“提示信息”之后，由用户在键盘上输入演示程序中规定的命令；相应的输入数据和运算结果显示在其后。
3．测试数据
输入初始变量后用y=100*(x1*x1-x2)*(x1*x2-x2)+(1-x1)*(1-x1)其中-2.048<=x1,x2<=2.048作适应度函数求最大适应度即为函数的最大值
二 概要设计
1．程序流程图
开始
Gen=0
编码
随机产生M个初始个体
满足终止条件?
计算群体中各个体适应度
从左至右依次执行遗传算子
j = 0
j = 0
j = 0
根据适应度选择复制个体
选择两个交叉个体
选择个体变异点
执行变异
执行交叉
执行复制
复制的个体添入新群体中
交叉后添入新群体中
变异后添入新群体中
j = j+1
j = j+2
j = j+1
Gen=Gen+1
输出结果
终止
Y
N
Y
Y
Y
N
N
N
pc
pm
2．类型定义
int popsize; //种群大小
int maxgeneration; //最大世代数
double pc; //交叉率
double pm; //变异率
struct individual
{
char chrom[chromlength+1];
double value;
double fitness; //适应度
};
int generation; //世代数
int best_index;
int worst_index;
struct individual bestindividual; //最佳个体
struct individual worstindividual; //最差个体
struct individual currentbest;
struct individual population[POPSIZE];
3．函数声明
void generateinitialpopulation();
void generatenextpopulation();
void evaluatepopulation();
long decodechromosome(char *,int,int);
void calculateobjectvalue();
void calculatefitnessvalue();
void findbestandworstindividual();
void performevolution();
void selectoperator();
void crossoveroperator();
void mutationoperator();
void input();
void outputtextreport();
4．程序的各函数的简单算法说明如下：
（1）．void generateinitialpopulation ()和void input ()初始化种群和遗传算法参数。
input() 函数输入种群大小，染色体长度，最大世代数，交叉率，变异率等参数。
（2） void calculateobjectvalue();计算适应度函数值 。
根据给定的变量用适应度函数计算然后返回适度值。
（3）选择函数selectoperator()
在函数selectoperator()中首先用rand ()函数产生0～1间的选择算子，当适度累计值不为零时，比较各个体所占总的适应度百分比的累计和与选择算子，直到达到选择算子的值那个个体就被选出，即适应度为fi的个体以fi/∑fk的概率继续存在；
显然，个体适应度愈高，被选中的概率愈大。但是，适应度小的个体也有可
能被选中，以便增加下一代群体的多样性。
（4）染色体交叉函数crossoveroperator()
这是遗传算法中的最重要的函数之一，它是对个体两个变量所合成的染色体进行交叉，而不是变量染色体的交叉，这要搞清楚。首先用rand ()函数产生随机概率，若小于交叉概率，则进行染色体交叉，同时交叉次数加1。这时又要用rand()函数随机产生一位交叉位，把染色体的交叉位的后面部分交叉即可；若大于交叉概率，则进行简单的染色体复制即可。
（5）染色体变异函数mutation()
变异是针对染色体字符变异的，而不是对个体而言，即个体变异的概率是一样。随机产生比较概率，若小于变异概率，则1变为0，0变为1，同时变异次数加1。
（6）long decodechromosome(char *,int,int)
本函数是染色体解码函数，它将以数组形式存储的二进制数转成十进制数，然后才能用适应度函数计算。
（7）void findbestandworstindividual()本函数是求最大适应度个体的，每一代的所有个体都要和初始的最佳比较，如果大于就赋给最佳。
（8）void outputtextreport () 输出种群统计结果
输出每一代的种群的最大适应度和平均适应度，最后输出全局最大值
三 运行环境
本程序的开发工具是VC++，在VC++下运行。
四 源代码
#include
#include
#include
#include
#define POPSIZE 500
#define maximization 1
#define minimization 2
#define cmax 100
#define cmin 0
#define length1 10
#define length2 10
#define chromlength length1+length2 //染色体长度
int functionmode=maximization;
int popsize; //种群大小
int maxgeneration; //最大世代数
double pc; //交叉率
double pm; //变异率
struct individual
{
char chrom[chromlength+1];
double value;
double fitness; //适应度
};
int generation; //世代数
int best_index;
int worst_index;
struct individual bestindividual; //最佳个体
struct individual worstindividual; //最差个体
struct individual currentbest;
struct individual population[POPSIZE];
//函数声明
void generateinitialpopulation();
void generatenextpopulation();
void evaluatepopulation();
long decodechromosome(char *,int,int);
void calculateobjectvalue();
void calculatefitnessvalue();
void findbestandworstindividual();
void performevolution();
void selectoperator();
void crossoveroperator();
void mutationoperator();
void input();
void outputtextreport();
void generateinitialpopulation( ) //种群初始化
{
int i,j;
for (i=0;i
{
for(j=0;j
{
population[i].chrom[j]=(rand()%10<5)?'0':'1';
}
population[i].chrom[chromlength]='\0';
}
}
void generatenextpopulation() //生成下一代
{
selectoperator();
crossoveroperator();
mutationoperator();
}
void evaluatepopulation() //评价个体，求最佳个体
{
calculateobjectvalue();
calculatefitnessvalue();
findbestandworstindividual();
}
long decodechromosome(char *string ,int point,int length) //给染色体解码
{
int i;
long decimal=0;
char*pointer;
for(i=0,pointer=string+point;i
if(*pointer-'0')
{decimal +=(long)pow(2,i);
}
return (decimal);
}
void calculateobjectvalue() //计算函数值
{
int i;
long temp1,temp2;
double x1,x2;
for (i=0; i
{
temp1=decodechromosome(population[i].chrom,0,length1);
temp2=decodechromosome(population[i].chrom,length1,length2);
x1=4.096*temp1/1023.0-2.048;
x2=4.096*temp2/1023.0-2.048;
population[i].value=100*(x1*x1-x2)* (x1*x1-x2)+(1-x1)*(1-x1);
}
}
void calculatefitnessvalue()//计算适应度
{
int i;
double temp;
for(i=0;i
{
if(functionmode==maximization)
{if((population[i].value+cmin)>0.0)
{temp=cmin+population[i].value;}
else
{temp=0.0;
}
}
else if (functionmode==minimization)
{
if(population[i].value
{temp=cmax-population[i].value;}
else{ temp=0.0;}
}
population[i].fitness=temp;
}
}
void findbestandworstindividual( ) //求最佳个体和最差个体
{
int i;
double sum=0.0;
bestindividual=population[0];
worstindividual=population[0];
for (i=1;i
if (population[i].fitness>bestindividual.fitness){
bestindividual=population[i];
best_index=i;
}
else if (population[i].fitness
{
worstindividual=population[i];
worst_index=i;
}
sum+=population[i].fitness;
}
if (generation==0){
currentbest=bestindividual;
}
else{
if(bestindividual.fitness>=currentbest.fitness){
currentbest=bestindividual;
}
}
}
void performevolution() //演示评价结果
{
if (bestindividual.fitness>currentbest.fitness){
currentbest=population[best_index];
}
else{
population[worst_index]=currentbest;
}
}
void selectoperator() //比例选择算法
{
int i,index;
double p,sum=0.0;
double cfitness[POPSIZE];
struct individual newpopulation[POPSIZE];
for(i=0;i
{sum+=population[i].fitness;}
for(i=0;i
cfitness[i]=population[i].fitness/sum;
}
for(i=1;i
cfitness[i]=cfitness[i-1]+cfitness[i];
}
for (i=0;i
{
p=rand()%1000/1000.0;
index=0;
while (p>cfitness[index])
{
index++;
}
newpopulation[i]=population[index];
}
for(i=0;i
population[i]=newpopulation[i];
}
}
void crossoveroperator() //交叉算法
{
int i,j;
int index[POPSIZE];
int point,temp;
double p;
char ch;
for (i=0;i
index[i]=i;
}
for (i=0;i
point=rand()%(popsize-i);
temp=index[i];
index[i]=index[point+i];
index[point+i]=temp;
}
for (i=0;i
p=rand()%1000/1000.0;
if (p
point=rand()%(chromlength-1)+1;
for (j=point; j
ch=population[index[i]].chrom[j];
population[index[i]].chrom[j]=population[index[i+1]].chrom[j];
population[index[i+1]].chrom[j]=ch;
}
}
}
}
void mutationoperator() //变异操作
{
int i,j;
double p;
for (i=0;i
for(j=0;j
p=rand()%1000/1000.0;
if (p
population[i].chrom[j]=(population[i].chrom[j]=='0')?'1':'0';
}
}
}
}
void input() //数据输入
{ printf("初始化全局变量:\n");
printf(" 种群大小(50-500)：");
scanf("%d", &popsize);
if((popsize%2) != 0)
{
printf( " 种群大小已设置为偶数\n");
popsize++;};
printf(" 最大世代数(100-300)：");
scanf("%d", &maxgeneration);
printf(" 交叉率(0.2-0.99)：");
scanf("%f", &pc);
printf(" 变异率(0.001-0.1)：");
scanf("%f", &pm);
}
void outputtextreport()//数据输出
{
int i;
double sum;
double average;
sum=0.0;
for(i=0;i
{sum+=population[i].value;}
average=sum/popsize;
printf("当前世代=%d\n当前世代平均函数值=%f\n当前世代最高函数值=%f\n",generation,average,population[best_index].value);
}
void main() //主函数
{ int i;
printf("本程序为求函数y=100*(x1*x1-x2)*(x1*x2-x2)+(1-x1)*(1-x1)的最大值 \n其中-2.048<=x1,x2<=2.048\n");
generation=0;
input();
generateinitialpopulation();
evaluatepopulation();
while(generation
{
generation++;
generatenextpopulation();
evaluatepopulation();
performevolution();
outputtextreport();
}
printf("\n");
printf(" 统计结果: ");
printf("\n");
printf("最大函数值等于：%f\n",currentbest.fitness);
printf("其染色体编码为：");
for (i=0;i
{
printf("%c",currentbest.chrom[i]);
}
printf("\n");
}
⌨️ 快捷键说明
复制代码
Ctrl + C
搜索代码
Ctrl + F
全屏模式
F11
切换主题
Ctrl + Shift + D
显示快捷键
?
增大字号
Ctrl + =
减小字号
Ctrl + -