遗传算法C语言源码

遗传算法是上学时曾经研究过的算法，它是一种基于基因遗传思想的快速搜索遍历算法。简单理解，它就是比一般的盲搜索和其他的一些搜索快的算法。其主要目的就是为了能快速准确搜索所求的值，用于求解一些复杂的数值应用，以及一些实时性要求高的算法应用中。以下是以前练习过的代码，欢迎有需要的同学学习交流。

include <stdio.h>include <string.h>include <stdlib.h>include <ctime>include <math.h>define N 30000000000define PI 3.14159265define MIN_(a,b) ((a)>(b)?(b):(a))//定义求最小值函数MIN_(a,b) define SIZE  50define MAXGEN  50define P_CORSS 0.75define P_MUTATION 0.05define LEN 22typedef struct node//定义结构体，表示染色体，x是染色体二进制编码，fitness是该染色体的适应值，fitsum是当前所有染色体的适应值的总和{  char x[LEN];  double fitness,fitsum;}node;node cur[SIZE],next[SIZE],max,min;//定义结构体数组，有当前染色体种群，下一代染色体种群，以及最优和最差染色体。double randd(){  return (double)rand()/RAND_MAX;//产生0-1之间随机数， RAND_MAX其值至少为32767，rand()在0-MAX之间}int randi(int k){  return (int)(randd()*k+0.5);//返回接近k大小的随机值}//计算当前种群中各个个体的适应度 void cal_fitness(){  int i,j,k;  double d;  for(i=0;i<SIZE;i++)  {    k=0;    for(j=LEN-1;j>=0;j--) k=(k<<1)+cur[i].x[j];;//该循环用于将染色体二进制数转成十进制，<<是左移运算，x[j]是染色体i的第j位    d=(double)k/N*100-50;//用上面的k产生一个浮点数d，作为函数自变量x的值    cur[i].fitness=d+10*sin(5*d)+7*cos(4*d);            //计算每个染色体的适应值  //////// //函数y= x+10*sin(5*x)+7*cos(4*x)//////////////     cur[i].fitsum=i>0?(cur[i].fitness+cur[i-1].fitsum):(cur[0].fitness);//计算所有适应值的总和，里面有迭代过程，就是若i=3,则cur[3].fitsum=cur[3].fitsum+cur[2].fitsum+cur[1].fitsum+cur[0].fitsum.  }}void init()//初始化染色体种群，共SIZE个，每个都是二进制LEN长度的串{  int tmp;  for(int i=0;i<SIZE;i++)  {    tmp=randi(N);//用randi函数产生一个大概N那么大的随机数    for(int j=0;j<LEN;j++)    {      cur[i].x[j]=tmp%2;//用temp对2取余，初始化每个染色体的每个位，共LEN位;一个数不是奇数就是偶数，对2取余得0或1，从而产生像001001010...11010001这样的串      tmp=tmp>>1;//右移tmp，就是将temp缩小，使tmp值变化    }  }  cal_fitness();//计算当前种群各个个体的适应度 }int sel()//选择种群中某个染色体{  double p=randd();  double sum=cur[SIZE-1].fitsum;//全部染色体的适应值总和  for(int i=0;i<SIZE;i++)  {    if(cur[i].fitsum/sum>p) return i;//如果当前适应总值/全部总值大于随机数p，也就是当前适应总值不为0，不太差时，返回这个i值，循环停止  }}//换代 void tran(){  int i,j,pos;  //找当前种群最优个体     max=cur[0];  for(i=1;i<SIZE-1;i++)  {    if(cur[i].fitness>max.fitness)  max=cur[i];//记录种群中的最优染色体为max  }  for(int k=0;k<SIZE;k+=2)  {    //选择交叉个体     i=sel();//用sel函数挑选一个个体，染色体号为i    j=sel();//同上，再选择个个体，号为j    //选择交叉位置     pos=randi(LEN-1);//随机产生个LEN-1左右的数pos，如18,19,21等    //交叉    if(randd()<P_CORSS)//如果randd()产生的随机数(在0-1之间）小于设定的交叉率P_CORSS    {      memcpy(next[k].x,cur[i].x,pos);//提取染色体i的前pos位赋给下一代种群next的第k个染色体.——函数memcpy（&a,&b,n)用于从&b的位置开始数n个长度的数据拷贝赋给&a;       memcpy(next[k].x+pos,cur[j].x+pos,LEN-pos);//提取染色体j的 后面LEN-pos位赋给next的第k个染色体,结合上面，从而拼成一个新的染色体      memcpy(next[k+1].x,cur[j].x,pos);//同样的方式给next的第k+1染色体赋值，这回换过来生成这个值，即提取j的前pos位数据 + i的后LEN-pos位数据      memcpy(next[k+1].x+pos,cur[i].x+pos,LEN-pos);    }    else//否则不交叉，    {      memcpy(next[k].x,cur[i].x,LEN);      memcpy(next[k+1].x,cur[j].x,LEN);    }    //变异    if(randd()<P_MUTATION)//如果一随机数小于设定的变异率P_MUTATION，则执行变异操作    {      pos=randi(LEN-1);//仍然是从中间找个位置，执行变异      next[k].x[pos]^=next[k].x[pos];// ^=按位异或后赋值函数，相同为0不同为1，此处是将第pos位上的值（不论是0或1）定为0      pos=randi(LEN-1);      next[k+1].x[pos]^=next[k+1].x[pos];//同样将下一代next的第k+1个染色体的第pos位也变为0；？？最好应该是0变1,1变0...,但这样也行，进化稍慢点    }  }  //找下一代的最差个体   min=next[0],j=0;  for(i=1;i<SIZE-1;i++)  {    if(next[i].fitness<min.fitness)  min=next[i],j=i;//用j记录最差染色体号  }  //用上一代的最优个体替换下一代的最差个体  next[j]=max;  memcpy(cur,next,sizeof(cur));//把整个改良过的（经过交叉，变异，替换等操作的）next代的值赋给当前种群cur，供下一次循环优化  cal_fitness();}//打印个体适应度和二进制编码 void print(node tmp){  printf("%.6lf",tmp.fitness);  for(int i=0;i<LEN;i++)  printf(" %d",tmp.x[i]);  printf("\n");}//打印种群void printcur(){  for(int i=0;i<SIZE;i++) print(cur[i]);} void GA(){  int cnt=0;  double ans;  while(cnt++<MAXGEN)//当计数值cnt小于设定的最大进化次数MAXGEN，执行换代操作  {    tran();  }  ans=cur[0].fitness;  for(int i=1;i<SIZE;i++) ans=MIN_(ans,cur[i].fitness);//找出函数最小值，打印输出（应设定的是求函数最小值）  printf("%.6lf\n",ans);}int main(){  srand((unsigned)time(NULL));//初始化随机数种子产生器，为使程序中每次的rand()函数产生的随机数不一样  init();//初始化种群  GA();//遗传换代操作  system("pause"); //输出结果在屏幕，而不是一闪而过  return 0;}