完成“模拟退火遗传算法”，试验结果良好.docVIP

完成“模拟退火遗传算法”，试验结果良好 作者：佚名 文章来源：本站原创 点击数： 797 更新时间：2004-5-15 研究背景：??????????遗传算法在运行早期个体差异较大，当采用经典的轮盘赌方式选择，后代产生个数与父个体适应度大小成正比，因此在早期容易使个别好的个体的后代充斥整个种群，造成早熟；在遗传算法后期，适应度趋向一致，优秀的个体在产生后代时，优势不明显，从而使整个种群进化停滞不前。由我前面测试过的预选择算法看出，算法很快就收敛。因此对适应度适当地拉伸是必要的。引进模拟退火算法，在温度高时（遗传算法前期），适应度相近的个体产生的后代概率相近；而当温度不断下降后，拉伸作用加强，使适应度相近的个体适应度差异放大，从而使得优秀的个体优势更明显。模拟退火算法简介：??????????经过一个晚上研究模拟退火算法解决TSP代码，我总结一下模拟退火算法的基?本思想。模拟退火算法的核心思想与热力学的原理颇为相似，本质在于对物质缓慢地制冷以争取充足的时间，让大量原子在丧失可动性之前进行重新分布。从算法的结构上看出，大致分为以下几个步骤：????1、构造数学模型????2、定义目标函数（在遗传算法中可定义为适应度函数）????3、确定控制参数（温度、能量）????4、计算代价（假设进行某种操作之后所付出的代价）????5、预测这种代价，看看是否需要对被分析的对象重新构造（在遗传算法里面就是要?看看是否需要进行交叉操作）????6、改变温度????7、重复试验具体实现c语言代码：????1、定义关键变量：???????double??scale_fitness;????????/*?适应度拉伸值?*/???????double??temperature;??????????/*?染色体所在温度?*/???????struct?individual?*cospop;????/*?代价种群?*/???????double?T;?????????????????????/*?当前温度?*/???????double?T0;????????????????????/*?初始温度?*/???????double?TFACTOR;???????????????/*?温度下降系数?*/???????double?de;????????????????????/*?代价值?*/???????int?ans;??????????????????????/*?判断是否需要交叉?*/???????int?numT;?????????????????????/*?试验的温度数?*/???????int?curT;?????????????????????/*?当前温度试验数?*/?????2、定义关键函数：???????void?scalefitness();??????????/*?拉伸适应度函数?*/???????double?sumofscalefitness();???/*?拉伸适应度值求和?*/???????int?metrop(double,?double);???/*?Metroplis算法?*/?????3、关键函数实现：//将原本的适应度值fi拉伸为：exp(fi/T)/sumof(exp(fi/T))void?scalefitness(){?int?j=0;?sumofscale_fitness?=?sumofscalefitness();?for(j=0;jpopsize;j++)?{??oldpop[j].scale_fitness?=?exp((oldpop[j].fitness)/T)/sumofscale_fitness;?}}//若代价0，表明需要重构（交叉），若代价0，重构概率为exp(-de/t)int?metrop(double?p_de,?double?p_T){?if(p_de0)?return(1);?else?if(flip(exp((-1)*p_de/p_T)))?return(1);?else?return(0);}//计算代价de?=?cospop[j].fitness?-?fmin(oldpop[mate1].fitness,oldpop[mate2].fitness);//预测ans?=?metrop(de,T);//经过试探性的交叉之后以及由预测判断完毕，可以确定是否真的需要重构（交叉）if(ans)???/*?需要重构?*/{????newpop[j].fitness?=?cospop[j].fitness;????newpop[j].tem