遗传算法的VC++实现精品毕业设计完整版Word文档格式.docx
《遗传算法的VC++实现精品毕业设计完整版Word文档格式.docx》由会员分享，可在线阅读，更多相关《遗传算法的VC++实现精品毕业设计完整版Word文档格式.docx（15页珍藏版）》请在冰豆网上搜索。
/*同济大学计算机系王小平2000年5月*/
#include<
stdio.h>
stdlib.h>
graphics.h>
math.h>
time.h>
string.h>
#include"
graph.c"
operator.c"
#definePOP_SIZE25/*种群大小*/
#defineG_LENGTH8/*染色体长度*/
#defineC_RATE0.2/*交叉概率*/
#defineM_RATE0.01/*变异概率*/
#defineXMAX255/*函数变量最大值*/
#defineX1350/*函数图形区窗口左上点X坐标*/
#defineY140/*函数图形区窗口左上点Y坐标*/
#defineXR1255/*函数图形区窗口长度*/
#defineYR1200/*函数图形区窗口高度*/
#defineX2360/*适应度图形区窗口左上点X坐标*/
#defineY2280/*适应度图形区窗口左上点Y坐标*/
#defineXR2250/*适应度图形区窗口长度*/
#defineYR2100/*适应度图形区窗口宽度*/
#defineSTEP2/*适应度图形区X方向步长*/
voidinitialize_gene（gene,pop_size,g_length）
/*种群中个体遗传基因型的初始化*/
unsignedchar*gene;
/*遗传基因*/
intpop_size;
/*种群大小*/
intg_length;
/*个体染色体长度*/
{
inti,j;
randomize（）;
for（i=0;
i<
pop_size;
i++）
for（j=0;
j<
g_length;
j++）
*（gene+i*g_length+j）=random
（2）;
}
intgene_to_pheno（gene,g_length）
/*基因型到表现型的变换--解码*/
/*基因型*/
/*染色体长度*/
{
inti,pheno;
pheno=0;
pheno=pheno*2+*（gene+i）;
return（pheno）;
}
voidcalc_fitness（gene,fitness,pop_size,g_length,func,max_fit,avg_fit）
/*计算种群中个体的适应度*/
/*个体的遗传基因*/
double*fitness;
/*个体的适应度*/
double*func;
/*评价函数*/
double*max_fit,*avg_fit;
/*最大适应度与平均适应度*/
unsignedchar*g;
/*个体的遗传基因指针变量*/
intpheno;
/*个体的表现型*/
doublef;
*max_fit=0.0;
*avg_fit=0.0;
f=（double）pop_size;
g=gene+i*g_length;
pheno=gene_to_pheno（g,g_length）;
*（fitness+i）=*（func+pheno）;
if（*（fitness+i）>
*max_fit）
*max_fit=*（fitness+i）;
*avg_fit=*avg_fit+*（fitness+i）/f;
voidsga_reproduction（gene,fitness,new_gene,new_fitness,pop_size,g_length）
/*基于个体的适应度评价进行新一代个体的选择（轮盘赌方法），选择后分别将新的基因型和适应度代入到新个体中*/
/*当前代的个体遗传基因型*/
unsignedchar*new_gene;
/*新一代的个体遗传基因型*/
/*当前代的个体适应度*/
double*new_fitness;
/*新一代的个体适应度*/
doublesum_of_fitness;
doubleborder;
doubler;
/*轮盘上的选择位置变量*/
intnum;
sum_of_fitness=0.0;
i++）/*轮盘赌的选择循环*/
sum_of_fitness=sum_of_fitness+*（fitness+i）;
r=sum_of_fitness*（random（10001）/10000.0）;
num=0;
border=*fitness;
while（border<
r）
num++;
border=border+*（fitness+num）;
*（new_gene+i*g_length+j）=*（gene+num*g_length+j）;
*（new_fitness+i）=*（fitness+num）;
voidsga_crossover（gene,pop_size,g_length,c_rate）
/*基本遗传算法的交叉操作--单点交叉*/
doublec_rate;
/*交叉概率*/
unsignedchar*gene1;
/*父个体1的遗传基因指针变量*/
unsignedchar*gene2;
unsignedcharwork;
/*中间变量*/
intc_pos;
/*交叉位置变量*/
/*随机数变量*/
pop_size-1;
i=i+2）
r=random（10001）/10000.0;
if（r<
=c_rate）
gene1=gene+g_length*i;
gene2=gene1+g_length;
c_pos=random（g_length-2）+1;
for（j=c_pos;
j++）/*两个父个体之间部分遗传基因的交换*/
{work=*（gene1+j）;
*（gene1+j）=*（gene2+j）;
*（gene2+j）=work;
voidsga_mutation（gene,pop_size,g_length,m_rate）
/*基本遗传算法的变异操作--个体遗传基因按小概率翻转*/
doublem_rate;
/*变异概率*/
=m_rate）/*变异发生判断*/
if（*（gene+g_length*i+j）==0）
*（gene+g_length*i+j）=1;
else
*（gene+g_length*i+j）=0;
voidmake_function（func,xmax）
/*生成一个函数,用于最优化计算的目标函数（最大化）*/
/*f=∑ai*sin（x*bi+ci）其中ai∈[0,0.35]的均匀随机数
bi∈[2*pi,5*2*pi]/xmax的均匀随机数
ci∈[0,2*pi]的均匀随机数
x∈[0,xmax]为优化变量
i=1,2,3*/
/*函数值*/
intxmax;
/*变量最大值<
XMAX*/
intx,i;
doublea[3],b[3],c[3];
doublepi=3.141592;
doublefxmax,fx,f_value;
doublef_min,f_max,f_mid,f_range;
doubledbl;
fxmax=（double）xmax;
3;
i++）/*优化函数为三个三角函数之和*/
a[i]=0.35*（random（10001）/10000.0）;
b[i]=（4*（random（10001）/10000.0）+1）*2.0*pi/fxmax;
c[i]=2.0*pi*（random（10001）/10000.0）;
f_min=1.0;
f_max=0.0;
for（x=0;
x<
=xmax;
x++）/*将优化函数正规化为[0,1]区间数*/
fx=（double）x;
f_value=0.0;
dbl=b[i]*fx+c[i];
f_value=f_value+a[i]*sin（dbl）;
f_value=f_value+0.5;
if（f_value>
f_max）f_max=f_value;
if（f_value<
f_min）f_min=f_value;
*（func+x）=（double）f_value;
f_range=f_max-f_min;
f_mid=（f_max+f_min）/2.0;
x++）
f_value=（*（func+x）-f_mid）/f_range+0.5;
1.0）f_value=1.0;
elseif（f_value<
0.0）f_value=0.0;
*（func+x）=f_value;
voidg_draw_func（func,xmax）
/*绘制优化函数的图形*/
/*变量最大值*/
intx,y,x_old,y_old,i;
g_rectangle（X1+1,Y1+1,X1+XR1-1,Y1+YR1-1,0,1）;
g_rectangle（X1+1,Y1-12,X1+XR1,Y1-1,8,1）;
g_rectangle（X1,Y1,X1+XR1,Y1+YR1,6,0）;
x_old=X1;
y_old=Y1+YR1-（int）（*func*YR1）;
f=XR1/（double）xmax;
for（i=1;
{
x=X1+（int）（i*f）;
y=Y1+YR1-（int）（*（func+i）*YR1）;
g_line（x_old,y_old,x,y,12）;
x_old=x;
y_old=y;
voidg_init_grph（func,xmax）
/*初始化画面的图形*/
charc[5];
/*初始化函数图形区*/
g_rectangle（320,0,639,399,8,1）;
g_rectangle（321,1,638,16,8,1）;
disp_hz16（"
基于基本遗传算法的函数最优化"
370,1,15）;
g（x）"
X1-30,Y1-18,15）;
1.0"
X1-30,Y1,15）;
0"
X1-10,Y1+YR1,15）;
x"
X1+XR1+10,Y1+YR1-20,15）;
XMAX"
X1+XR1-10,Y1+YR1,15）;
g_draw_func（func,xmax）;
/*初始化适应度图形区*/
g_rectangle（X2,Y2,X2+XR2,Y2+YR2,0,1）;
g_rectangle（X2,Y2,X2+XR2,Y2+YR2,6,0）;
setcolor（15）;
最大适应度"
X2+5,Y2-18,15）;
g_line（X2+90,Y2-10,X2+110,Y2-10,11）;
平均适应度"
X2+120,Y2-18,15）;
g_line（X2+205,Y2-10,X2+225,Y2-10,9）;
世代数"
X2+168,Y2+YR2+10,15）;
g_text（X2-30,Y2,15,"
）;
/*g_text（X2-30,Y2+YR2,15,"
0.0"
*/
voidg_plot_grph（num,gene,fitness,pop_size,g_length,func,xmax,max_fit,m_f_old,avg_fit,a_f_old,gen_num）
/*随世代进化更新图形*/
/*适应度*/
/*函数值*/
doublemax_fit,m_f_old;
/*当前代最大适应度，上一代最大适应度*/
doubleavg_fit,a_f_old;
/*当前代平均适应度，上一代平均适应度*/
intnum;
/*当前世代数*/
intgen_num;
/*最大世代数*/
inti,j,x,y,x_old,y_old;
charc[10];
/*显示当前世代种群中个体的遗传基因*/
if（num==gen_num-1）
printf（"
Indv.%2d:
"
i+1）;
%d"
*（gene+i*g_length+j））;
==>
Fitness%.4f\n"
*（fitness+i））;
Max_fit=%f\n"
max_fit）;
Avg_fit=%f\n"
avg_fit）;
/*显示个体在函数图形区中的位置*/
j=gene_to_pheno（g,g_length）;
x=X1+（int）（j*f）;
y=Y1+YR1-*（func+j）*YR1;
g_line（x,y-10,x,y,15）;
/*适应度曲线的更新*/
if（num!
=1&
&
num<
=XR2/STEP）
if（num%10==0）/*每隔10代更新一次*/
x=X2+（num-1）*STEP;
g_line（x,Y2+1,x,Y2+YR2-1,1）;
sprintf（c,"
num）;
if（num<
100||num%20==0）
g_text（x-8,Y2+YR2,15,c）;
x_old=X2+（num-1）*STEP;
x=x_old+STEP;
y_old=Y2+YR2-（int）（m_f_old*YR2）;
y=Y2+YR2-（int）（max_fit*YR2）;
g_line（x_old,y_old,x,y,11）;
y_old=Y2+YR2-（int）（a_f_old*YR2）;
y=Y2+YR2-（int）（avg_fit*YR2）;
g_line（x_old,y_old,x,y,9）;
voidgeneration（gene,fitness,pop_size,g_length,c_rate,m_rate,new_gene,new_fitness,func,xmax）
/*世代进化的模拟*/
/*当前世代的个体遗传基因型*/
/*当前世代的个体适应度*/
/*优化函数*/
doublec_rate,m_rate;
/*交叉概率和变异概率*/
intpop_size,g_length;
/*种群大小与染色体长度*/
{intgen_max;
/*最大模拟世代数*/
inti,j,k;
doublemax_fit,avg_fit;
/*当前代最大适应度和平均适应度*/
doublem_f_old,a_f_old;
/*新一代最大适应度和平均适应度*/
charchoice[3];
输入最大模拟世代数:
10,1,20）;
gscanf（170,1,4,0,3,"
%s"
choice）;
gen_max=atoi（choice）;
m_f_old=0.0;
a_f_old=0.0;
gen_max;
if（i==gen_max-1）
\n"
************Gen.%d*************\n"
calc_fitness（gene,fitness,pop_size,g_length,func,
&
max_fit,&
avg_fit）;
sga_reproduction（gene,fitness,new_gene,new_fitness,
pop_size,g_length）;
*（fitness+j）=*（new_fitness+j）;
for（k=0
升级会员 