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。
升级会员 