智能大作业.docx
- 文档编号:30747485
- 上传时间:2023-08-20
- 格式:DOCX
- 页数:20
- 大小:216.54KB
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;i if(*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;i if(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;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]; } } voidcrossoveroperator()//交叉算法 { inti,j; intindex[POPSIZE]; intpoint,temp; doublep; charch; 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; } } } } voidmutationoperator()//变异操作 { inti,j; doublep; 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'; } } } } 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。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 智能 作业
![提示](https://static.bdocx.com/images/bang_tan.gif)