遗传算法的c语言程序

一 需求分析

1．本程序演示的是用简单遗传算法随机一个种群，然后根据所给的交叉率，变异率，世代数计算最大适应度所在的代数

2．演示程序以用户和计算机的对话方式执行，即在计算机终端上显示“提示信息”之后，由用户在键盘上输入演示程序中规定的命令；相应的输入数据和运算结果显示在其后。 3．测试数据

输入初始变量后用y=100*(x1*x1-x2)*(x1*x2-x2)+(1-x1)*(1-x1)其中-2.048<=x1,x2<=2.048作适应度函数求最大适应度即为函数的最大值

二 概要设计 1．程序流程图

开始 Gen=0 编码 随机产生M个初始个体 满足终止条件? Y 输出结果 终止 N 计算群体中各个体适应度 从左至右依次执行遗传算子 pm j = 0 选择个体变异点 执行变异 变异后添入新群体中 pc j = 0 根据适应度选择复制个体 执行复制 复制的个体添入新群体中 j = j+1 j = 0 选择两个交叉个体 执行交叉 交叉后添入新群体中 j = j+2 j = j+1 N Y N Y Gen=Gen+1 N Y

2．类型定义

int popsize; //种群大小

int maxgeneration; //最大世代数 double pc; //交叉率 double pm; //变异率 struct individual

{

char chrom[chromlength+1]; double value;

double fitness; //适应度 };

int generation; //世代数 int best_index;

int worst_index;

struct individual bestindividual; //最佳个体

struct individual worstindividual; //最差个体 struct individual currentbest;

struct individual population[POPSIZE]; 3．函数声明

void generateinitialpopulation(); void generatenextpopulation(); void evaluatepopulation();

long decodechromosome(char *,int,int); void calculateobjectvalue(); void calculatefitnessvalue(); void findbestandworstindividual(); void performevolution(); void selectoperator(); void crossoveroperator(); void mutationoperator(); void input();

void outputtextreport();

4．程序的各函数的简单算法说明如下： （1）．void generateinitialpopulation ()和void input ()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） void calculateobjectvalue();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）long decodechromosome(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）void findbestandworstindividual()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）void outputtextreport () 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 运行环境

本程序的开发工具是VC++，在VC++下运行。 四 源代码 #include #include #include #include #define POPSIZE 500 #define maximization 1 #define minimization 2 #define cmax 100 #define cmin 0 #define length1 10

#define length2 10

#define chromlength length1+length2 //染色体长度 int functionmode=maximization; int popsize; //种群大小 int maxgeneration; //最大世代数 double pc; //交叉率 double pm; //变异率 struct individual {

char chrom[chromlength+1]; double value;

double fitness; //适应度 };

int generation; //世代数 int best_index;

int worst_index;

struct individual bestindividual; //最佳个体 struct individual worstindividual; //最差个体 struct individual currentbest;

struct individual population[POPSIZE];

//函数声明 void generateinitialpopulation(); void generatenextpopulation(); void evaluatepopulation();

long decodechromosome(char *,int,int); void calculateobjectvalue(); void calculatefitnessvalue();

void findbestandworstindividual(); void performevolution(); void selectoperator(); void crossoveroperator(); void mutationoperator(); void input();

void outputtextreport();

void generateinitialpopulation( ) //种群初始化 {

for (i=0;i

population[i].chrom[j]=(rand()<5)?'0':'1'; }

}

population[i].chrom[chromlength]='\\0'; int i,j;

}

void generatenextpopulation() //生成下一代 {

selectoperator(); crossoveroperator(); mutationoperator();

}

void evaluatepopulation() //评价个体，求最佳个体 {

calculateobjectvalue(); calculatefitnessvalue();

findbestandworstindividual(); }

long decodechromosome(char *string ,int point,int length) //给染色体解码

{

{decimal +=(long)pow(2,i); }

return (decimal);

int i;

long decimal=0; char*pointer;

for(i=0,pointer=string+point;i

}

void calculateobjectvalue() //计算函数值 {

int i;

long temp1,temp2;

double x1,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); } }

void calculatefitnessvalue()//计算适应度 {

int i;

double temp;

for(i=0;i

{

if(functionmode==maximization) {if((population[i].value+cmin)>0.0) {temp=cmin+population[i].value;} else {temp=0.0; }

}

else if (functionmode==minimization) {

if(population[i].value

{temp=cmax-population[i].value;}

else{ temp=0.0;}

}

population[i].fitness=temp; } }

void findbestandworstindividual( ) //求最佳个体和最差个体 { } {

worstindividual=population[i];

worst_index=i; }

sum+=population[i].fitness; }

if (generation==0){

currentbest=bestindividual; } else{ }

if(bestindividual.fitness>=currentbest.fitness){ currentbest=bestindividual; }

int i;

double sum=0.0;

bestindividual=population[0]; worstindividual=population[0]; for (i=1;i

if (population[i].fitness>bestindividual.fitness){ bestindividual=population[i];

best_index=i;

else if (population[i].fitness

}

void performevolution() //演示评价结果 { }

if (bestindividual.fitness>currentbest.fitness){ currentbest=population[best_index]; } else{ }

population[worst_index]=currentbest;

void selectoperator() //比例选择算法 {

struct individual newpopulation[POPSIZE]; for(i=0;i

for(i=0;i

}

for(i=1;i

for (i=0;i

p=rand()00/1000.0; index=0;

while (p>cfitness[index]) { index++;

}

newpopulation[i]=population[index]; int i,index;

double p,sum=0.0;

double cfitness[POPSIZE];

}

for(i=0;i

} }

void crossoveroperator() //交叉算法 {

for (i=0;i

int i,j;

int index[POPSIZE]; int point,temp; double p; char ch;

for (i=0;i

for (i=0;i

p=rand()00/1000.0;

if (p

for (j=point; j

population[index[i]].chrom[j]=population[index[i+1]].chrom[j]; population[index[i+1]].chrom[j]=ch;

point=rand()%(popsize-i); temp=index[i];

index[i]=index[point+i]; index[point+i]=temp;

}

void mutationoperator() //变异操作 {

int i,j; double p;

for (i=0;i

for(j=0;j

}

population[i].chrom[j]=(population[i].chrom[j]=='0')?'1':'0';

}

void input() //数据输入

{ printf(\初始化全局变量:\\n\ printf(\ 种群大小(50-500)：\ scanf(\ 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(\

printf(\ 交叉率(0.2-0.99)：\ scanf(\

printf(\ 变异率(0.001-0.1)：\ scanf(\

}

void outputtextreport()//数据输出 {

int i;

double sum; double average; 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\

}

void main() //主函数

{ int i;

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(\ printf(\ 统计结果: \ printf(\

printf(\最大函数值等于：%f\\n\ printf(\其染色体编码为：\

for (i=0;i

printf(\

}

printf(\ }

六 测试结果

本文来源：https://www.bwwdw.com/article/xior.html