遗传算法解决函数优化问题

实验一 遗传算法解决函数优化问题一、实验目的1.掌握遗传算法的基本原理和步骤。

2. 复习VB 、VC 的基本概念、基本语法和编程方法，并熟练使用VB 或VC 编写遗传算法程序。

二、实验内容1. 上机编写程序，解决以下函数优化问题：()1021min 100i i i f x x =⎛⎫=≤ ⎪⎝⎭∑X2. 调试程序。

3. 根据实验结果，撰写实验报告。

三、实验原理遗传算法是一类随机优化算法，但它不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。

标准遗传算法流程图如下图所示，主要步骤可描述如下： ① 随机产生一组初始个体构成初始种群。

② 计算每一个体的适配值（fitness value ，也称为适应度）。

适应度值是对染色体(个体)进行评价的一种指标，是GA 进行优化所用的主要信息，它与个体的目标值存在一种对应关系。

③ 判断算法收敛准则是否满足，若满足，则输出搜索结果；否则执行以下步骤。

④ 根据适应度值大小以一定方式执行复制操作（也称为选择操作）。

⑤ 按交叉概率p c 执行交叉操作。

⑥ 按变异概率p m 执行变异操作。

⑦ 返回步骤②。

图1.1 标准遗传算法流程图四、程序代码#include <stdio.h>#include <math.h>#include <stdlib.h>#include<time.h>#define byte unsigned char#define step 200 //步长#define MAX 50#define N 10 //随机数个数#define Pc 0.74 //被选择到下一代的概率,个数=Pc*N，小于N 下一代数=上一代，不用处理#define Pt 0.25 //交叉的概率,个数=Pt*N 舍，小于N 0~(n2+1)随机数，之后部分开始交叉#define Pm 0.01 //变异的概率,个数=Pm*N*n2 入，小于N 0~(N*(n2+1))随机数/(n2+1)=个体,0~(N*(n2+1))随机数%(n2+1)=该个体基因位置#define n2 15//2的15次方,共16位#define next_t (int)(Pt*N)//交叉个数#define next_m (int)(Pm*N+1)//变异个数向后约等于#define e 0.001//次数限制阈值/*int N=10; //随机数个数float Pc=0.74; //被选择到下一代的概率,个数=Pc*N，小于N 下一代数=上一代，不用处理float Pt=0.25; //交叉的概率,个数=Pt*N 舍，小于N 0~(n2+1)随机数，之后部分开始交叉float Pm=0.01; //变异的概率,个数=Pm*N*n2 入，小于N 0~(N*(n2+1))随机数/(n2+1)=个体,0~(N*(n2+1))随机数%(n2+1)=该个体基因位置*/bytebitary[N][n2+1],bitary0[N][n2+1];//二进制int src1[N];float ShowType(int a);//表现型void BinNum(int a);//二进制位数n2 float fit_func(float a);//适应度void DecToBin (int src,int num);//十进制转二进制void BinToDec (void);//十进制转二进制int selectT(float a,float b[10]);//选择交叉个体int selectM(float a,float b[10]);//选择变异个体void main(void){//范围是[-100,100]*************************** intsrc[N],i=0,j=0,k=0,count=0;//十进制float show[N];//表现型float fit[N],sumfit=0;//适应度float pcopy[N];//优胜劣汰，遗传到下一代的概率fit[i]/总和(fit[i]) float pacc[N];//pcopy[i]累加概率值float prand[N];//随机产生N个0~1的下一代概率int iselect;//根据概率选择到的个体序号int new_select[N];//根据概率选择到的个体int new_T[next_t],new_M[next_m];float min,min1;printf("随机数(原始母体),表现型, 适配值\n");srand( (unsigned)time(NULL) );for(i=0;i<N;i++){src[i]=rand()%32768;//rand()%201-100===>-100~100的十进制随机数随时间递增show[i]=ShowType(src[i]);//转化成表现型fit[i]=fit_func(show[i]);//计算各个适配值(适应度)sumfit=sumfit+fit[i]; //种群的适应度总和printf("%5d, %f, %f\n",src[i],s how[i],fit[i]);}printf("\n第%d代适配总值\n%f\n",count,sumfit);//第0代count++;min=sumfit;printf("\n遗传到下一代的概率\n");for(i=0;i<N;i++){pcopy[i]=fit[i]/sumfit;printf("%f, ",pcopy[i]);}// 求选择(被复制)的累加概率,用于轮盘赌产生随机数区域，选择下一代个体printf("\n遗传到下一代的累加概率\n");pacc[0]=pcopy[0];for(i=1;i<N;i++){pacc[i]=pacc[i-1]+pcopy[i];printf("%f, ",pacc[i]);}//每个src[N]都随机取其中一个pcopy，取得的值pcopy[i]跟pcopy概率大小有关//模拟轮盘赌方式选择新一代printf("\n\n新产生的第%d代,表现型, 适配值\n",count);srand( (unsigned)time(NULL) );for(i=0;i<N;i++){prand[i]=(float)( (rand()%101)*0.01 );//0~1的十进制小数，精确到0.01iselect=selectT(prand[i],pacc);new_select[i]=src[iselect];//产生的新一代,十进制show[i]=ShowType(new_select[i]);/ /转化成表现型fit[i]=fit_func(show[i]);DecToBin (new_select[i],i);sumfit=sumfit+fit[i]; //种群的适应度总和printf(" %d %f %f\n",new_selec t[i],show[i],fit[i]);}printf("\n第%d代适配总值\n%f\n",count,sumfit);//第1代min1=sumfit;if (min>sumfit){min1=min;min=sumfit;}while(fabs(min-min1)>e&&count<MAX ){//从新一代选择个体交叉printf("\n随机产生交叉个体号");srand( (unsigned)time(NULL) );for(i=0;i<2;i++) //简单起见交叉数设为2{new_T[i]=rand()%N;//0~10的十进制数产生的交叉个体if (i>0)//两个不同个体交叉while(new_T[i]==new_T[i-1])new_T[i]=rand()%N;printf("%d, ",new_T[i]);}srand( (unsigned)time(NULL) );//随机产生交叉位置k=rand()%n2;//0~14的十进制数printf("\n随机产生交叉位置 %d\n",k);printf("\n原编码\n");for(j=n2;j>=0;j--)printf("%c",bitary[new_T[0]][j]);printf("\n");for(j=n2;j>=0;j--)printf("%c",bitary[new_T[1]][j]);printf("\n位置%d后交叉编码\n",k);char temp;for(i=k+1;i<n2+1;i++)//交叉{temp=bitary[new_T[0]][i];bitary[new_T[0]][i]=bitary[new_T[ 1]][i];bitary[new_T[1]][i]=temp;}for(j=n2;j>=0;j--)printf("%c",bitary[new_T[0]][j]);printf("\n");for(j=n2;j>=0;j--)printf("%c",bitary[new_T[1]][j]);//从新一代选择个体变异printf("\n随机产生变异个体号");srand( (unsigned)time(NULL) );for(i=0;i<1;i++) //简单起见变异数设为1个{new_M[i]=rand()%N;//0~9的十进制数产生的变异个体k=rand()%(n2+1);//0~15的十进制数printf("%d\n编码位置 %d\n原编码\n",new_M[i],k);for(j=n2;j>=0;j--)printf("%c",bitary[new_M[i]][j]);if(bitary[new_M[i]][k]=='0')//变异取反bitary[new_M[i]][k]='1';elsebitary[new_M[i]][k]='0';printf("\n位置%d变异后编码\n",k);for(j=n2;j>=0;j--)printf("%c",bitary[new_M[i]][j]);}printf("\n");count++;//新的bitary即产生第二代printf("\n新产生的第%d代\n",count);for(i=0;i<N;i++){for(j=n2;j>=0;j--)printf("%c",bitary[i][j]);printf("\n");}BinToDec ();//二进制转十进制 for(i=0;i<N;i++){new_select[i]=src1[i];show[i]=ShowType(src[i]);//转化成表现型fit[i]=fit_func(show[i]);//计算各个适配值(适应度)sumfit=sumfit+fit[i]; //种群的适应度总和printf("%5d, %f, %f\n",src1[i], show[i],fit[i]);}printf("\n第%d代适配总值\n%f\n",count,sumfit);if (sumfit<min){min1=min;min=sumfit;}}printf("\n\n\n*****************\n over\n*****************\n",sumfit);}//////////////////////////子函数////////////////float ShowType(int a){float temp;temp=(float)(a*200.0/32767-100);/ /(2的15次方减1)=32767return temp;}float fit_func(float a){float temp;temp=a*a;return temp;}void DecToBin (int src,int num){int i;//注意负数的补码if (src<0){src=(int)pow(2,16)-abs(src);}for (i=0;i<=n2;i++){bitary[num][i]='0';bitary0[num][i]='0';if(src){五、实验结果bitary[num][i]=(src%2)+48;bitary0[num][i]=(src%2)+48;src=(int)(src/2);}}}void BinToDec (void){int i,j;for(i=0;i<N;i++){src1[i]=0;for(j=0;j<n2+1;j++){src1[i]=src1[i]+(bitary[i][j]-48)*(int)pow(2,j);}}}int selectT(float a,float b[10]){int i;for(i=0;i<N;i++){if (a<b[i])return i;}return -1;}分析：随机性大，精度不高六、实验心得理论指导实践，在实践中得以提高。