遗传算法学习与C语言实现（函数极值）_遗传算法c语言

1概念：

遗传算法是进化算法的一种，用来解决最优化的搜索算法。一般用于函数优化，组合优化（NP完全问题如0-1背包问题，最短路径问题等）。其核心思想是达尔文优胜劣汰适者生存的思想，一个种群在自然界中不断繁衍，将适合环境的优良性状保留下来，而因为小概率发生的基因突变而出现的优秀性状也能保留至下一代。

运用在解决问题的时候，便可参照这种思想：首先随机生成若干对解，使用一个符合问题的评价标准来检验这些解，选择适应度高的解，衍生出适应度更高的解，如此反复，直到得到近似最优解。

2算法设计：

遗传算法需要具备，一个基本函数：适度函数；三个基本操作：选择，交叉，突变。其流程具体如下：初始化种群->循环（评价种群中个体的适应度->以比例原则选择产生下一个种群->改变该种群即交叉和变异）->直到停止循环的条件满足。

3遗传算法名词：

群体规模：种群中染色体个体的数目

编码：对问题集进行转化，最常用的编码技术是二进制编码，具有简单易行，符合最小字符集编码原则，便于用模式定理分析的有点。

适应度函数：用来评价个体的优劣，求个体的适应度，需要根据具体问题进行构造。

算子选择：在挑选个体的时候遵循的方法，有“轮盘法”、“竞标赛法”、“线性排序法”。其中“线性排序法”容易只挑选当前群体中分数最高的个体，会使收敛速度太快，造成“早熟”现象，从而得出区域最优解而不是全局最优解。而“轮盘法”和“竞标赛法”属于按比例原则选择下一代的方法，效果较好。

交叉：常用的是单点交叉，即随机选择两个染色体当中某段基因进行交换，形成新的染色体。模拟自然界当中的染色体交叉互换。

交叉率：控制交叉操作的使用频率，交叉操作可以加速收敛，达到最优解区域，因此一般取较大的交叉率，但交叉率太大容易造成过早收敛。

变异：随机选择某条染色体的某个基因进行改变，二进制编码下的方法为0à1，1à0的操作。模拟自然界的基因突变。

变异率：控制变异操作的概率，一般比较低。

终止条件：结束迭代的条件。一般有，进化次数限制、计算耗费的资源限制、一个个体已经满足最优值得条件、不再有新的个体产生等。

简单实例编码实现：

函数为y=x2+5的最大值，0<=x<=31。

• 编码及初始种群的产生

编码采用二进制编码，初始种群采用矩阵的形式，每一行表示一个染色体，每一个染色体由若干个基因组成。关于染色体的长度，可以根据具体情况而定，问题中x的取值为32个数，所以染色体的长度可以取5位，即25=32。若是所取得染色体长度越长，表示解空间搜索范围越大，对应的是待搜索的X范围越大。代码中btod()函数为二进制转十进制函数。初始种群采用随机的方式生成四个染色体，结构如下图：

其中第一列为染色体编号，第二列到第六列为随机产生的0和1组成的二进制编码，第七列为二进制编码代表的十进制的值。

• 适应度函数

一般情况下，染色体（也叫个体，或一个解）的适应度函数为目标函数的线性组合。本文直接以目标函数作为适应度函数。即每个染色体的适应度值就是它的目标函数值，f(x)=x2 + 5。

• 选择算子

初始种群产生后，要从种群中选出若干个体进行交叉、变异，那么如何选择这些个体呢？选择方法就叫做选择算子。一般有轮盘赌法、锦标赛选择法、排序法等。本文采用轮盘赌法来选择，步骤如下：（1）计算出每个染色体的适应度f(i=1,2,…,N)，N为染色体总数；（2）计算出每个染色体被遗传到下一代的概率：Pxi=f(xi)j=0nf(xj)； （3）计算出每个染色体的累计概率：Qi=i=1nPxi； （4）在[0,1]区间内产生一个均匀分布的随机数r；（5）若r<q[1]，则选择个体1，否则，选择个体k，使得：q[k-1]<r≤q[k] 成立；（6）重复（4）（5）共N次。

• 交叉算子

那么接下来就要对新种群中选出的两个个体进行交叉操作，一般的交叉方法有单点交叉、两点交叉、多点交叉、均匀交叉、融合交叉。方法不同，效果不同。本文采用最简单的单点交叉。交叉点随机产生。但是交叉操作要在一定的概率下进行，这个概率称为交叉率，一般设置为0.5到0.95之间。通过交叉操作，衍生出子代，以补充被淘汰掉的个体。

在第三基因位置进行交叉后，产生的新个体组成的新种群如下：

• 变异

变异就是对染色体的基因进行变异，使其改变原来的结构（适应值也就改变），达到突变进化的目的。变异操作也要遵从一定的概率来进行，一般设置为0到0.5之间，即以小概率进行基因突变。这符合自然规律。本文的变异方法直接采取基因位反转变异法，即0变为1，1变为0。要进行变异的基因位的选取也是随机的。

• 终止规则

遗传算法是要一代又一代更替的，那么什么时候停止迭代呢？这个规则就叫终止规则。一般常用的终止规则有：。一般有，进化次数限制、计算耗费的资源限制、一个个体已经满足最优值得条件、不再有新的个体产生等方法。本文采用进化数来限制。

代码如下：

#include <stdio.h>
#include <conio.h>
#include <stdlib.h>
#include <time.h>
#include <math.h>
#include <iostream>
 
#define MAX_SIZE 5 //染色体二进制编码位数
#define MAX_PAIR 4 //染色体条数
 
typedef struct Chrom        //结构体类型，为单个染色体结构
{
    short int bit[MAX_SIZE];//一共5bit来对染色体进行编码，其中1位为符号位，取值范围0~31
    int fit;//适应度
    double rfit;//选择概率，即所占的百分比
    double cfit;//累计概率
}chrom;
 
//定义将会用到的函数
void evpop (chrom popcurrent[MAX_PAIR]);//进行种群的初始化
int btod (chrom popcurrent);//二进制->十进制
int fitness (int x);//计算适应度
void pickchroms_Roulette (chrom popcurrent[MAX_PAIR],chrom popnext[MAX_PAIR]);//轮盘赌法算子选择
void pickchroms_Ranking (chrom popcurrent[MAX_PAIR]);//冒泡排序算子选择
void pickchroms_Tournament (chrom popcurrent[MAX_PAIR]);//锦标赛法算子选择
void crossover (chrom popnext[MAX_PAIR]);//交叉操作
void mutation (chrom popnext[MAX_PAIR]);//突变
void mian_loop (chrom popcurrent[MAX_PAIR], chrom popnext[MAX_PAIR], int loop);//循环进行选择交叉变异
double uniform (double a, double b, long int* seed);//产生a~b均匀分布的随机数
 
int main()//主函数
{
    chrom popcurrent[MAX_PAIR];//初始种群规模
    chrom popnext[MAX_PAIR];//更新后种群规模
    int loop, Max;
 
    printf("请输入迭代数：");
    scanf("%d",&loop);
    srand(time(0));
    printf("\n初始化种群为：\n");
    evpop(popcurrent);//初始化种群
    mian_loop(popcurrent, popnext, loop);//进行循环
    Max = btod(popcurrent[0]);//期望已完成收敛
    printf("\n最终结果为：%d\n",Max);
 
    system("pause");
    return 0;
}
 
void evpop(chrom popcurrent[MAX_PAIR]) //函数：随机生成初始种群：
{
    int i, j, value;
    int random;
    double sum=0;
 
    for(j=0; j < MAX_PAIR ;j++) //从染色体的第1个基因到第6个
    {
        for(i=0; i < MAX_SIZE; i++)
        {
            random=rand(); //产生一个随机值
            random=random%2; //随机产生0或1
            popcurrent[j].bit[i]=random; //随机产生染色体上每一个值
        }
 
        value=btod(popcurrent[j]); //二进制->十进制
        popcurrent[j].fit=fitness(btod(popcurrent[j])); //计算染色体适应度值
        sum = sum + popcurrent[j].fit;
        printf("popcurrent[%d]=%d%d%d%d%d   value=%d    fitness = %d\n",j,popcurrent[j].bit[0],popcurrent[j].bit[1],popcurrent[j].bit[2],popcurrent[j].bit[3],popcurrent[j].bit[4],value,popcurrent[j].fit);
        //输出整条染色体的编码情况
    }
    //计算适应值的百分比，改参数是在用轮盘赌选择法时需要用到的
    for(j = 0; j < MAX_PAIR; j++)
    {
        popcurrent[j].rfit = popcurrent[j].fit/sum;
        popcurrent[j].cfit = 0;//初始化
    }
    printf("\n");
}
 
int btod(chrom popcurrent) //二进制->十进制
{
    int d = 0;
    for(int i = 0; i < MAX_SIZE; i++)
    {
        d = d + popcurrent.bit[i] * pow(2, MAX_SIZE-1-i);
    }
    return d;
}
 
int fitness(int x)//求个体的适应度
{
    int fit = x * x + 5;
    return fit;
}
//基于轮盘赌法进行染色体选择（算子选择）
void pickchroms_Roulette (chrom popcurrent[MAX_PAIR],chrom popnext[MAX_PAIR])//计算概率
{
    int men;
    int i, j;
    double p; //生成4个0~1的随机值
    double sum = 0.0; //find the total fitness of the population
    long int seed = 13579;
 
    for(men = 0; men < MAX_PAIR; men++)//计算总适应度
    {
        sum = sum + popcurrent[men].fit;
    }
 
    for(men = 0; men < MAX_PAIR; men++)//计算选择概率
    {
        popcurrent[men].rfit = popcurrent[men].fit / sum;
    }
    //计算累计概率
    popcurrent[0].cfit = popcurrent[0].rfit;
    for( men = 1; men < MAX_PAIR; men++)
    {
        popcurrent[men].cfit = popcurrent[men-1].cfit + popcurrent[men].rfit;
    }
 
    for(i=0;i<MAX_PAIR;i++)//输出累计概率（调试用）
    {
        printf("popcurrent[%d].cfit=%f\n",i,popcurrent[i].cfit);
    }
 
    for(i = 0; i < MAX_PAIR; i++)//生成若干个0~1随机数，根据累计概率进行选择（轮盘赌法核心）
    {//产生0~1之间的随机数
        p =uniform(0, 1, &seed);//通过函数生成0~1之间均匀分布的数字
        //p = rand() * 1.0 / (RAND_MAX + 1.0);
        printf("random is %f\n",p);//输出随机数（调试用）
        if (p < popcurrent[0].cfit)
        {
            popnext[i] = popcurrent[0];
        }
        else
        {
            for(j = 0; j < MAX_PAIR - 1 ; j++)
            {
                if(popcurrent[j].cfit <= p && p < popcurrent[j+1].cfit)
                {
                    popnext[i] = popcurrent[j + 1];
                }
            }
        }
        popnext[i].fit=fitness(btod(popnext[i]));//计算下一代染色体的适应度
    }
 
 
    for(i = 0; i < MAX_PAIR ; i++)//打印轮盘赌法选择出的下一代染色体
    {
        printf("popnext[%d]=%d%d%d%d%d fitness=%d\n",i,popnext[i].bit[0],popnext[i].bit[1],popnext[i].bit[2],popnext[i].bit[3],popnext[i].bit[4],popnext[i].fit);
    }
}
//基于冒泡排序法进行染色体选择（算子选择）
void pickchroms_Ranking(chrom popcurrent[MAX_PAIR])
{
    //
}
//基于锦标赛法进行染色体选择（算子选择）
void pickchroms_Tournament (chrom popcurrent[MAX_PAIR])
{
   //
}
//交叉操作
void crossover(chrom popnext[MAX_PAIR])
{
    double pc = 0.95;//进行交叉的概率
    double rpc = 0.0;//随机交叉
    int random;//交叉点
    int i;
    short int temp;
    //rpc = rand()%100*0.01;//产生0~1的两位小数
    //if (rpc <= 0.95)//以0.95的概率进行交叉操作
    //{暂时100%交叉
        random = rand()%5+1;//产生1~5的随机数，即交叉点位置
        //random = 2;
        //printf("\nCross point is %d\n",random);//输出交叉点，调试用
        for( i = MAX_SIZE - random ; i < MAX_SIZE; i++ )
        {
            //将染色体0与3号交叉
            temp = popnext[0].bit[i];
            popnext[0].bit[i] = popnext[3].bit[i];
            popnext[3].bit[i] = temp;
            temp = 0;//清零
            //将染色体1与2号交叉
            temp = popnext[1].bit[i];
            popnext[1].bit[i] = popnext[2].bit[i];
            popnext[2].bit[i] = temp;
            temp = 0;
        }
    //}
    for(i = 0; i < MAX_PAIR; i++)
    {
        popnext[i].fit=fitness(btod(popnext[i]));//更新适应度
    }
 
    for(i = 0; i < MAX_PAIR; i++)//输出交叉后的染色体
    {
        printf("CrossOver popnext[%d]=%d%d%d%d%d\n",i,popnext[i].bit[0],popnext[i].bit[1],popnext[i].bit[2],popnext[i].bit[3],popnext[i].bit[4]);
    }
}
//变异操作
void mutation(chrom popnext[MAX_PAIR])
{
    int random;
    int i, j, num;//第i个染色体的第j个基因
    random = rand() % 50;//产生0~49个随机数
    if (random == 25)//即2%的几率产生变异
    {
        i = rand() % 4;//对应某一个染色体
        j = rand() % 6;//对应染色体上的基因
        if (popnext[i].bit[j] == 0)
            popnext[i].bit[j] = 1;
        else
            popnext[i].bit[j] = 0;
        popnext[i].fit=fitness(btod(popnext[i]));//更新适应度
    }
 
    for(num = 0; num < 4; num++)//输出变异后的染色体
    {
        printf("chrom[%d]=%d%d%d%d%d  value = %d    fitness = %d\n",num,popnext[num].bit[0],popnext[num].bit[1],popnext[num].bit[2],popnext[num].bit[3],popnext[num].bit[4],btod(popnext[num]),popnext[num].fit);
    }
}
//循环函数
void mian_loop (chrom popcurrent[MAX_PAIR], chrom popnext[MAX_PAIR], int loop)
{
    int i, j;
    for(i = 0; i < loop; i++)
    {
        printf("第%d次迭代：\n",i);
        pickchroms_Roulette(popcurrent,popnext);//选择for(i = 0; i < MAX_PAIR ; i++)//打印轮盘赌法选择出的下一代染色体
        crossover(popnext);//交叉
        mutation(popnext);//变异
 
        for(j = 0; j < MAX_PAIR ; j++)//更新下一代
        {
            popcurrent[j] = popnext[j];
        }
    }
}
//产生a~b均匀分布的随机数
double uniform (double a, double b, long int* seed)
{
    double result;
    *seed = 2045 * (*seed) + 1;
    *seed = (*seed) % 1048576;
    result = (*seed) / 1048576.0;
    result = a + (b - a) * result;
    return result;
}

• 存在的问题

这次用C语言实现的代码基本完成了对遗传算法的实现，但还有改进的空间。包括：产生更加均匀的随机数，功能的模块化以降低耦合度，使代码更加通用能尽可能复用到解决其他问题的遗传算法代码中，完善其他两种算子算法的代码实现（排序法和锦标赛法）。还存在的问题包括：染色体个体数量选择太少，容易过早的达到平衡，即陷入局部最优解，即使暂时将交叉率设置为100%也无法解决。继续迭代无法再进行进化，只能寄希望于变异，但变异率一般设置的很低，代码中只有2%，就需要更大的迭代数才有可能继续进化。

本文参考：

https://blog.csdn.net/ljp1919/article/details/42425281

https://www.cnblogs.com/adelaide/articles/5679475.html

https://www.codeproject.com/Articles/10417/Genetic-Algorithm