智能大作业.docx
《智能大作业.docx》由会员分享,可在线阅读,更多相关《智能大作业.docx(20页珍藏版)》请在冰豆网上搜索。
智能大作业
智能大作业--遗传算法
一、摘要
遗传算法(GeneticAlgorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。
它是由美国的J.Holland教授1975年首先提出,其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,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。
遗传算法的这些性质,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。
它是现代有关智能计算中的关键技术之一。
二、概要设计
1.程序流程图
2.类型定义
intpopsize;//种群大小
intmaxgeneration;//最大世代数
doublepc;//交叉率
doublepm;//变异率
structindividual
{
charchrom[chromlength+1];
doublevalue;
doublefitness;//适应度
};
intgeneration;//世代数
intbest_index;
intworst_index;
structindividualbestindividual;//最佳个体
structindividualworstindividual;//最差个体
structindividualcurrentbest;
structindividualpopulation[POPSIZE];
3.函数声明
voidgenerateinitialpopulation();
voidgeneratenextpopulation();
voidevaluatepopulation();
longdecodechromosome(char*,int,int);
voidcalculateobjectvalue();
voidcalculatefitnessvalue();
voidfindbestandworstindividual();
voidperformevolution();
voidselectoperator();
voidcrossoveroperator();
voidmutationoperator();
voidinput();
voidoutputtextreport();
4.程序的各函数的简单算法说明如下:
(1).voidgenerateinitialpopulation()和voidinput()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)voidcalculateobjectvalue();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)longdecodechromosome(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)voidfindbestandworstindividual()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)voidoutputtextreport()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、源代码
#include
#include
#include
#include
#definePOPSIZE500
#definemaximization1
#defineminimization2
#definecmax100
#definecmin0
#definelength110
#definelength210
#definechromlengthlength1+length2//染色体长度
intfunctionmode=maximization;
intpopsize;//种群大小
intmaxgeneration;//最大世代数
doublepc;//交叉率
doublepm;//变异率
structindividual
{
charchrom[chromlength+1];
doublevalue;
doublefitness;//适应度
};
intgeneration;//世代数
intbest_index;
intworst_index;
structindividualbestindividual;//最佳个体
structindividualworstindividual;//最差个体
structindividualcurrentbest;
structindividualpopulation[POPSIZE];
//函数声明
voidgenerateinitialpopulation();
voidgeneratenextpopulation();
voidevaluatepopulation();
longdecodechromosome(char*,int,int);
voidcalculateobjectvalue();
voidcalculatefitnessvalue();
voidfindbestandworstindividual();
voidperformevolution();
voidselectoperator();
voidcrossoveroperator();
voidmutationoperator();
voidinput();
voidoutputtextreport();
voidgenerateinitialpopulation()//种群初始化
{
inti,j;
for(i=0;i{
for(j=0;j{
population[i].chrom[j]=(rand()%10<5)?
'0':
'1';
}
population[i].chrom[chromlength]='\0';
}
}
voidgeneratenextpopulation()//生成下一代
{
selectoperator();
crossoveroperator();
mutationoperator();
}
voidevaluatepopulation()//评价个体,求最佳个体
{
calculateobjectvalue();
calculatefitnessvalue();
findbestandworstindividual();
}
longdecodechromosome(char*string,intpoint,intlength)//给染色体解码
{
inti;
longdecimal=0;
char*pointer;
for(i=0,pointer=string+point;iif(*pointer-'0')
{decimal+=(long)pow(2,i);
}
return(decimal);
}
voidcalculateobjectvalue()//计算函数值
{
inti;
longtemp1,temp2;
doublex1,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);
}
}
voidcalculatefitnessvalue()//计算适应度
{
inti;
doubletemp;
for(i=0;i{
if(functionmode==maximization)
{if((population[i].value+cmin)>0.0)
{temp=cmin+population[i].value;}
else
{temp=0.0;
}
}
elseif(functionmode==minimization)
{
if(population[i].value{temp=cmax-population[i].value;}
else{temp=0.0;}
}
population[i].fitness=temp;
}
}
voidfindbestandworstindividual()//求最佳个体和最差个体
{
inti;
doublesum=0.0;
bestindividual=population[0];
worstindividual=population[0];
for(i=1;iif(population[i].fitness>bestindividual.fitness){
bestindividual=population[i];
best_index=i;
}
elseif(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;
}
}
}
voidperformevolution()//演示评价结果
{
if(bestindividual.fitness>currentbest.fitness){
currentbest=population[best_index];
}
else{
population[worst_index]=currentbest;
}
}
voidselectoperator()//比例选择算法
{
inti,index;
doublep,sum=0.0;
doublecfitness[POPSIZE];
structindividualnewpopulation[POPSIZE];
for(i=0;i{sum+=population[i].fitness;}
for(i=0;icfitness[i]=population[i].fitness/sum;
}
for(i=1;icfitness[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;ipopulation[i]=newpopulation[i];
}
}
voidcrossoveroperator()//交叉算法
{
inti,j;
intindex[POPSIZE];
intpoint,temp;
doublep;
charch;
for(i=0;iindex[i]=i;
}
for(i=0;ipoint=rand()%(popsize-i);
temp=index[i];
index[i]=index[point+i];
index[point+i]=temp;
}
for(i=0;ip=rand()%1000/1000.0;
if(ppoint=rand()%(chromlength-1)+1;
for(j=point;jch=population[index[i]].chrom[j];
population[index[i]].chrom[j]=population[index[i+1]].chrom[j];
population[index[i+1]].chrom[j]=ch;
}
}
}
}
voidmutationoperator()//变异操作
{
inti,j;
doublep;
for(i=0;ifor(j=0;jp=rand()%1000/1000.0;
if(ppopulation[i].chrom[j]=(population[i].chrom[j]=='0')?
'1':
'0';
}
}
}
}
voidinput()//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);
}
voidoutputtextreport()//数据输出
{
inti;
doublesum;
doubleaverage;
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);
}
voidmain()//主函数
{inti;
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");
}
四、实验结果:
A.y=x1*x1+4*x1-1
B.y=4*x1*x1-2.1*x1*x1*x1*x1+(1/3)*x1*x1*x1*x1*x1*x1+x1*x2+4*x2*x2+4*x2*x2*x2*x2
C.y=100*(x1*x1-x2)*(x1*x1-x2)+(1-x1)*(1-x1)
D.y=20+x1*x1+x2*x2-cos(2*3.1415926*x1)-cos(2*3.1415926*x2)
5.参考文献
《人工智能及其应用》——清华大学出版社蔡自兴徐光佑
《遗传算法》——XX文献
6.心得体会
在实现遗传算法的过程中遇到了种种问题,平常对调试编写算法不太熟练;参考了大量网上的算法勉强得以实现,通过这个大作业加深了我对c语言的使用和对算法本身的理解。
同时感谢同学们的帮助。