2.2遗传算法的编码实现.pptVIP

遗传算法的编码实现 知识准备 随机数的产生 头文件 stdlib.h 所用函数： int rand(void) 函数说明 rand()会返回一随机数值，范围在0至RAND_MAX 间。在调用此函数产生随机数前，必须先利用srand()设好随机数种子，如果未设随机数种子，rand()在调用时会自动设随机数种子为1。关于随机数种子请参考srand()。 返回值 返回0至RAND_MAX之间的随机数值，RAND_MAX定义在stdlib.h，其值为2147483647。 void srand (unsigned int seed); 函数说明 srand()用来设置rand()产生随机数时的随机数种子。参数seed必须是个整数，通常可以利用geypid()或time(0)的返回值来当做seed。如果每次seed都设相同值，rand()所产生的随机数值每次就会一样。 范例 /* 产生介于1 到10 间的随机数值*/ #includetime.h #includestdlib.h main() { int i,j; srand((int)time(0)); for(i=0;i10;i++) { j=1+(int)(10.0*rand()/(RAND_MAX+1.0)); printf( %d ,j); } } 生成某个范围内的随机数 生成[0,N]之间的某个整数 rand()%(N+1) 生成[N,M]之间的某个整数(MN) rand()%(M-N+1)+N 生成[0,R]之间的某个实数 rand()*R*1.0/RAND_MAX 生成[S,R]之间的某个实数 rand()/(double)RAND_MAX*(R-S)+S 基本遗传算法流程 初始化种群，设定运行参数 设定好算法中的参数：种群大小，进化代数等 个体评价 评估个体的适应值 选择运算 根据适应值的大小，从群体中选择组成新的种群 交叉运算 选择两个个体进行交叉 变异运算 单个个体进行变异 终止条件判定 随机特征 遗传算法是一种随机搜索算法，因此算法中处处体现了随机性，具体体现在： 个体生成的随机性 选择中的优胜劣汰的随机性 交叉的随机性 变异的随机性 求解实例 编码 采用二进制编码 所求精度为1E-3,所以需要的二进制位数为：24位 适应值与函数值之间的转化 由于目标函数取值范围是[0,max],所以可以直接把目标函数的值作为适应值 注意：大多数情况下不能直接把目标函数的值作为适应值，需要做一下转换。 思考：为什么？ 个体的表示方法 利用结构体表示 struct individual{ int chrom[CHROMLENGTH]; /*染色体*/ double fitness; /*适应值*/ }; 种群的表示 用结构体数组表示 struct individual population[POPSIZE]; 算法框架 void main(){ Generation=0;//第0代的标志 GenerateInitialPopulation();//初始化种群 EvaluatePopulation();//评估种群 while(GenerationMaxGeneration){ Generation++; GenerateNextPopulation();//产生下一代 EvaluatePopulation(); } } 定义变量 需要实现设置好算法中用到的常量和变量： #define POPSIZE 500 //种群的大小 #define LENGTH //染色体的长度 int MaxGeneration =200; //最大进化代数 double Pc=0.6; //交叉概率 doulbe Pm=0.001; //变异概率 Struct individual population[POPSIZE]; GenerateInitialPopulation 模块 模块功能：产生随机种群 方法：使用随机函数产生每一个个体 伪代码： { randomize(); for (i=0;iPOPSIZE;++i) for(j=0;jLENGTH;++j) population[i].chrom[j]=(rand%2==0?0:1); } EvaluatePopulation 模块 模块功能：评估个体适应值 方法：把个体解码，然后计算对应的函数值作为个体的适应值 伪代码： …… GenerateNextPopulation 模块 模块功能：生成下一代群体 方法：执行选择、交叉、变异三个算子 伪代码： { SelectionOperator(); //选择算子 CrossoverOperator(); //交叉算子 MutationOperator(); //变异算子 }