用浮点数编码解决遗传算法问题.docx

遗传算法作业 一：用浮点数编码解决以下问题。 5 5 f(XrX2) =迟 icos[( + 1)x1 + i]^ icos[(+ 1)x2 + i] i=1 i=1 其中-10乞x「x2乞10 求mirf(N，Xz) 二：构造过程。 第一步：确定决策变量和约束条件。 题目中已给出了该问题的决策变量及约束条件。 第二步：建立优化模型。 既是题目给出所要求的。 第三步：确定编码方法。 第四步：确定解码方法。 第五步：确定个体评价方法。 这里可将个体的适应度直接取为对应的目标函数值，并且不再对它做其他变化处理，即有: F(X)=f(x1,x2) 第六步：设计遗传算子。 选择运算使用比例运算算子； 交叉运算是用单点交叉算子； 变异运算使用基本位变异算子。 第七步：确定遗传算法的运行参数。 对于本例，设计基本遗传算法的运行参数如下: int cur_best; /* 最佳个体 */ MAXGENS=80POPSIZE=20NVARS=2PXOVER=0.2 MAXGENS=80 POPSIZE=20 NVARS=2 PXOVER=0.2 PMUTATION=0.1 三：代码如下。 #i nclude stdafx.h #in clude stdio.h #in clude stdlib.h #in clude math.h #defi ne MAXGENS 80 #defi ne POPSIZE 20 #defi ne NVARS 2 #defi ne PXOVER 0.2 #defi ne PMUTATION 0.1 #defi ne FALSE 0 #defi ne TRUE 1 int gen erati on; /*最大世代数*/ /*种群大小*/ /*变量个数*/ /*交叉概率*/ /*变异概率*/ /*最大世代数*/ /*种群大小*/ /*变量个数*/ /*交叉概率*/ /*变异概率*/ /*当前世代*/ struct genotype { double gene[NV ARS]; double fitness; double upper[NV ARS]; double lower[NV ARS]; double rfitness; double cfitness; }; struct genotype population[POPSIZE+1]; struct genotype newpopulation[POPSIZE+1]; void initialize(void); double randval(double, double); void evaluate(void); void keep_the_best(void); void elitist(void); void select(void); void crossover(void); void Xover(int,int); void swap(double *, double *); void mutate(void); void report(void); void initialize(void) { int i, j; double lbound, ubound; for (i = 0; i NV ARS; i++) { scanf(%lf,lbound); scanf(%lf,ubound); for (j = 0; j POPSIZE; j++) { population[j].fitness = 0; population[j].rfitness = 0; population[j].cfitness = 0; population[j].lower[i] = lbound; population[j].upper[i]= ubound; population[j].gene[i] = randval(population[j].lower[i], population[j].upper[i]); } } } double randval(double low, double high) { double val; val = ((double)(rand()%1000)/1000.0)*(high - low) + low; return(val); } void evaluate(void) { int mem; int i; int X=0; int Y=0; double x[NV ARS+1]; for (mem = 0; mem POPSIZE; mem++) { for (i = 0; i NV ARS; i++) x[i+1] = population[mem].gene[i]; { for(i=1;i=5;i++)