遗传改良程序

改良程序的11技巧

有很多理由都能说明为什么我们应该写出清晰、可读性好的程序。最重要的一点，程序你只写一次，但以后会无数次的阅读。当你第二天回头来看你的代码时，你就要开始阅读它了。当你把代码拿给其他人看时，他必须阅读你的代码。因此，在编写时多花一点时间，你会在阅读它时节省大量的时间。

让我们看一些基本的编程技巧：

1. 2. 3. 4. 5. 6. 7. 8. 9. 10. 11.

尽量保持方法简短

永远永远不要把同一个变量用于多个不同的目的 使用自描述的变量名和方法名

尽可能的把变量定义在靠近使用它的地方 拒绝神秘数字 友好的对待你的语言 不要逆常规而行 警惕过早优化 积极重构测试过的程序 不要过度沉迷于技巧 通过习例学习新知

现在，让我们把每个小点展开来详细讲一下。

1. 尽量保持方法简短

尽管很多人都遵循这个规则，但它仍然非常的重要。你写的方法要始终能在一个屏幕里放得下。如果你需要去滚动屏幕，这会分散你的注意力，而且你看不到整个的上下文。最佳长度是5-20行，这根据你的情况而定。当然，getters/setters 通常是一行代码的方法，但与其说它们是真正的方法，不如说它们只是存取工具。

2. 永远永远不要把同一个

介绍遗传算法MATLAB程序设计

摘自 Matlab在数学建模中的应用， 北航出版社，2011.4

4.2遗传算法MATLAB程序设计

4.2.1程序设计流程及参数选取 4.2.1.1遗传算法程序设计伪代码

BEGIN

t = 0 ; %Generations NO.

初始化P(t) ; %Initial Population or Chromosomes 计算P(t) 的适应值; while (不满足停止准则) do begin t = t+1 ;

从P(t-1)中选择P(t) ; % Selection

重组P(t) ; % Crossover and Mutation 计算P(t) 的适应值; end END

4.2.1.2遗传算法的参数设计原则

在单纯的遗传算法当中，也并不总是收敛，即使在单峰或单调也是如此。这是因为种群的进化能力已经基本丧失，种群早熟。为了避免种群的早熟，参数的设计一般遵从以下原则[5]：

（1）

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

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

遗传算法的c语言程序

{

char chrom[chromlength+1]; double value;

double fitness; //适应度 };

int generation; //世代数 int best_index;

int worst_

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

摘自 Matlab在数学建模中的应用， 北航出版社，2011.4

4.2遗传算法MATLAB程序设计

4.2.1程序设计流程及参数选取 4.2.1.1遗传算法程序设计伪代码

BEGIN

t = 0 ; %Generations NO.

初始化P(t) ; %Initial Population or Chromosomes 计算P(t) 的适应值; while (不满足停止准则) do begin t = t+1 ;

从P(t-1)中选择P(t) ; % Selection

重组P(t) ; % Crossover and Mutation 计算P(t) 的适应值; end END

4.2.1.2遗传算法的参数设计原则

在单纯的遗传算法当中，也并不总是收敛，即使在单峰或单调也是如此。这是因为种群的进化能力已经基本丧失，种群早熟。为了避免种

遗传算法的程序实例

f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] 一、初始化(编码)

initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，

长度大小取决于变量的二进制编码的长度(在本例中取10位)。 代码:

%Name: initpop.m %初始化

function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength));

% rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵， % roud对矩阵的每个单元进行圆整。这样产生的初始种群。 二、计算目标函数值

1、将二进制数转化为十进制数(1) 代码:

%Name: decodebinary.m

%产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制 function pop2=decodebinary(pop)

[px,py]=size(pop);

背包问题： clear clc

popsize=500; %种群大小 n=50;

CW=1000; %背包大小 可容纳的总重量

w=[80 82 85 70 72 70 66 50 55 25 50 55 40 48 50 32 22 60 30 32 ...

40 38 35 32 25 28 30 22 50 30 45 30 60 50 20 65 20 25 30 10 ... 20 25 15 10 10 10 4 4 2 1]; %各个物品的重量，50个个体

v=[220 208 198 192 180 180 165 162 160 158 155 130 125 122 120 118 115 110 105 101 ... 100 100 98 96 95 90 88 82 80 77 75 73 72 70 69 66 65 63 60 58 ... 56 50 30 20 15 10 8 5 3 1]; %各个物品的价值，50个个体 t=100;%迭代次数 pc=0.9; %交叉率 pm=0.05; %变异率

pop=initpop

复制代码

在这里使用启发式算法GA（遗传算法）来进行参数寻优，用网格划分(grid search)来寻找最佳的参数c和g，虽然采用网格搜索能够找到在CV意义下的最高的分类准确率，即全局最优解，但有时候如果想在更大的范围内寻找最佳的参数c和g会很费时，采用启发式算法就可以不必遍历网格内的所有的参数点，也能找到全局最优解。

关于遗传算法这里不打算过多介绍，想要学习的朋友可以自己查看相关资料。

使用GA来进行参数寻优在在libsvm-mat-2.89-3[FarutoUltimate3.0]工具箱中已经实现gaSVMcgForClass.m（分类问题参数寻优）、gaSVMcgForRegress.m（回归问题参数寻优）。

1.

2. 3. 4. 5. 6. 7.

利用GA参数寻优函数(分类问题):gaSVMcgForClass [bestCVaccuracy,bestc,bestg,ga_option]= gaSVMcgForClass(train_label,train,ga_option) 输入：

train_label:训练集的标签，格式要求与svmtrain相同。 train:训练集，格式要求与svmtrain相同。

ga_optio

复制代码

在这里使用启发式算法GA（遗传算法）来进行参数寻优，用网格划分(grid search)来寻找最佳的参数c和g，虽然采用网格搜索能够找到在CV意义下的最高的分类准确率，即全局最优解，但有时候如果想在更大的范围内寻找最佳的参数c和g会很费时，采用启发式算法就可以不必遍历网格内的所有的参数点，也能找到全局最优解。

关于遗传算法这里不打算过多介绍，想要学习的朋友可以自己查看相关资料。

使用GA来进行参数寻优在在libsvm-mat-2.89-3[FarutoUltimate3.0]工具箱中已经实现gaSVMcgForClass.m（分类问题参数寻优）、gaSVMcgForRegress.m（回归问题参数寻优）。

1.

2. 3. 4. 5. 6. 7.

利用GA参数寻优函数(分类问题):gaSVMcgForClass [bestCVaccuracy,bestc,bestg,ga_option]= gaSVMcgForClass(train_label,train,ga_option) 输入：

train_label:训练集的标签，格式要求与svmtrain相同。 train:训练集，格式要求与svmtrain相同。

ga_optio

Matlab写的函数优化遗传算法程序

function [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation,options)
% [BestPop,Trace]=fmaxga(FUN,LB,UB,eranum,popsize,pcross,pmutation)
% Finds a maximum of a function of several variables.
% fmaxga solves problems of the form:
% max F(X) subject to: LB <= X <= UB
% BestPop--------最优的群体即为最优的染色体群
% Trace-----------最佳染色体所对应的目标函数值
% FUN------------目标函数
% LB--------------自变量下限
% UB--------------自变量上限
% eranum----------种群的代数,取100--1000(默认1000)
% popsize---------每一代种群的规模；此可取50--100(默认50)
% pcross----