遗传算法的C++代码实现教程.doc
遗传算法的C+代码实现教程此例程总共包含3个文件：main.c（主函数）；GA.c（包含3个所用函数)；GA.h（头文件），3个文件截图如下：用visual c+或者visual stutio创建工程，然后将上述3个文件包含进工程，编译运行即可。亲测可行！3个文件代码分别如下：1、 main.c:includeiostreaminclude"GA.h"using namespace std;/* GA demo求函数y=x*sin（10*pai*x）+2.0的最大值编码:浮点数,1位初始群体数：50变异概率:0。8进化代数：100取值范围:0,4变异步长：0.004注:因为是单数浮点数编码，所以未使用基因重组函数*/int main（）GenEngine genEngine(50，0。8，0.8,1，100,0，4)；genEngine.OnStartGenAlg(）;getchar（)；2、 GA。c：#includevector>include<stdio.h>include stdlib。hinclude <time.h#include<iostream>include”GA.h"using namespace std；/srand(（unsigned) time（NULL）)；double random()double randNum；randNum=rand()*1。0/RAND_MAX；return randNum； GenAlg:GenAlg（)void GenAlg：init（int popsize, double MutRate， double CrossRate, int GenLenght,double LeftPoint,double RightPoint）popSize = popsize；mutationRate = MutRate；crossoverRate = CrossRate；chromoLength = GenLenght;totalFitness = 0；generation = 0；/fittestGenome = 0;bestFitness = 0.0;worstFitness = 99999999；averageFitness = 0;maxPerturbation=0.004;leftPoint=LeftPoint;rightPoint=RightPoint;/清空种群容器，以初始化vecPop.clear(）;for （int i=0; i<popSize； i+) /类的构造函数已经把适应性评分初始化为0vecPop.push_back(Genome()）；/把所有的基因编码初始化为函数区间内的随机数。for (int j=0; j<chromoLength; j+）vecPopi。vecGenome。push_back(random（) （rightPoint leftPoint） + leftPoint）；void GenAlg:Reset(）totalFitness=0；/bestFitness=0； /worstFitness=9999；averageFitness=0；void GenAlg:：CalculateBestWorstAvTot（）for (int i=0; i<popSize； +i）/累计适应性分数。totalFitness+= vecPopi。fitness；if（vecPopi.fitness=bestFitness）bestFitness=vecPopi.fitness;fittestGenome=vecPopi；if(vecPopi.fitness=worstFitness）worstFitness=vecPopi.fitness；averageFitness=totalFitness/popSize;Genome GenAlg：: GetChromoRoulette()/产生一个0到人口总适应性评分总和之间的随机数./中m_dTotalFitness记录了整个种群的适应性分数总和)double Slice = （random() totalFitness；/这个基因将承载转盘所选出来的那个个体.Genome TheChosenOne;/累计适应性分数的和。double FitnessSoFar = 0；/遍历总人口里面的每一条染色体.for (int i=0; i<popSize； +i）/累计适应性分数.FitnessSoFar += vecPopi.fitness;/如果累计分数大于随机数，就选择此时的基因。if (FitnessSoFar = Slice）TheChosenOne = vecPopi；break；/返回转盘选出来的个体基因return TheChosenOne；void GenAlg：:Mutate（vectordouble> chromo）/遵循预定的突变概率，对基因进行突变for (int i=0; i<chromo.size（)； +i）/如果发生突变的话if （random（) < mutationRate）/使该权值增加或者减少一个很小的随机数值chromoi += (random()-0。5） maxPerturbation)；/限定范围if(chromoi < leftPoint)chromoi = rightPoint；else if（chromoi rightPoint)chromoi = leftPoint;/以上代码非基因变异的一般性代码只是用来保证基因编码的可行性。/此函数产生新的一代,见证着整个进化的全过程./以父代种群的基因组容器作为参数传进去,该函数将往该容器里放入新一代的基因组（当然是经过了优胜劣汰的）void GenAlg:Epoch(vector<Genome> &vecNewPop）/用类的成员变量来储存父代的基因组(在此之前m_vecPop储存的是不带估值的所有基因组）vecPop = vecNewPop;/初始化相关变量Reset（)；/为相关变量赋值CalculateBestWorstAvTot()；/清空装载新种群的容器vecNewPop.clear(）； /产生新一代的所有基因组while （vecNewPop.size(） popSize)/转盘随机抽出两个基因Genome mum = GetChromoRoulette()；Genome dad = GetChromoRoulette（);/创建两个子代基因组vectordouble baby1， baby2;/先把他们分别设置成父方和母方的基因baby1 = mum.vecGenome；baby2 = dad.vecGenome；/使子代基因发生基因突变Mutate(baby1);Mutate(baby2）；/把两个子代基因组放到新的基因组容器里面vecNewPop。push_back( Genome（baby1, 0) ）;vecNewPop。push_back（ Genome(baby2, 0) ）;/子代产生完毕/如果你设置的人口总数非单数的话,就会出现报错if(vecNewPop。size（) ！= popSize）/MessageBox("你的人口数目不是单数！!”);cout<”error"<endl；return；Genome GenAlg：:GetBestFitness(）return fittestGenome；double GenAlg:GetAverageFitness(）return averageFitness;void GenEngine：:report（const int&genNum)cout<<"第"<<genNum<”代”<endl; cout<”最佳适应度：”<bestFitness<endl;cout<”最佳适应度基因取值:"<bestSearchendl;cout<”平均适应度：”averageFitness<endl<endl;void GenEngine:： OnStartGenAlg（)/产生随机数srand( (unsigned）time( NULL ） ）；/初始化遗传算法引擎genAlg。init（g_popsize， g_dMutationRate, g_dCrossoverRate， g_numGen，g_LeftPoint,g_RightPoint)；/清空种群容器m_population。clear()；/种群容器装进经过随机初始化的种群m_population = genAlg.vecPop；vector <double input；double output；input。push_back（0）；for（int Generation = 0;Generation <= g_Generation;Generation+)/里面是对每一条染色体进行操作for（int i=0;ig_popsize；i+) input = m_populationi.vecGenome;/为每一个个体做适应性评价,如之前说的,评价分数就是函数值。其/Function函数的作用是输入自变量返回函数值，读者可以参考其代码.output = （double)curve.function（input)；m_populationi.fitness = output;/由父代种群进化出子代种群genAlg.Epoch（m_population)；/if(genAlg。GetBestFitness().fitness>=bestFitness）bestSearch=genAlg。GetBestFitness（).vecGenome0；bestFitness=genAlg.GetBestFitness（)。fitness；averageFitness=genAlg。GetAverageFitness（）;/cout<<bestSearch<<endl；report(Generation+1）;/return bestSearch；3、GA。h：include<vectorusing namespace std；const double pai=3.1415926;class Genomepublic： friend class GenAlg; friend class GenEngine; Genome（):fitness(0) Genome(vector <double> vec， double f）： vecGenome(vec）， fitness（f) /类的带参数初始化参数。private： vector double> vecGenome; / dFitness用于存储对该基因的适应性评估。 double fitness; /类的无参数初始化参数.;/遗传算法class GenAlgpublic：/这个容器将储存每一个个体的染色体vector <Genome> vecPop;/人口（种群）数量int popSize； /每一条染色体的基因的总数目int chromoLength;/所有个体对应的适应性评分的总和double totalFitness;/在所有个体当中最适应的个体的适应性评分double bestFitness；/所有个体的适应性评分的平均值double averageFitness；/在所有个体当中最不适应的个体的适应性评分double worstFitness；/最适应的个体在m_vecPop容器里面的索引号Genome fittestGenome;/基因突变的概率,一般介于0.05和0。3之间double mutationRate；/基因交叉的概率一般设为0。7double crossoverRate;/代数的记数器int generation；/最大变异步长double maxPerturbation；double leftPoint;double rightPoint；/构造函数GenAlg（);/初始化变量void Reset();/初始化函数void init（int popsize, double MutRate, double CrossRate， int GenLenght,double LeftPoint，double RightPoint)；/计算TotalFitness, BestFitness, WorstFitness, AverageFitness等变量void CalculateBestWorstAvTot（)；/轮盘赌选择函数Genome GetChromoRoulette(）;/基因变异函数void Mutate(vector<double chromo);/这函数产生新一代基因void Epoch(vector<Genome> &vecNewPop）；Genome GetBestFitness（)；double GetAverageFitness（）；;class Curvepublic：double function(const vector<double>& input)double x=input0; double output；output=xsin(10*paix)+2.0；return output；private:；/遗传运算引擎class GenEnginepublic：GenEngine(const int& popsize,const double mutationRate,const double& crossoverRate,const intnumGen，const intgeneration，const double leftPoint, const double& rightPoint）：genAlg(),curve(）,m_population(）g_popsize=popsize;g_dMutationRate=mutationRate；g_dCrossoverRate=crossoverRate;g_numGen=numGen;g_Generation=generation；g_LeftPoint=leftPoint;g_RightPoint=rightPoint; bestFitness=0； bestSearch=0；void OnStartGenAlg(）;/报告每一代的运行情况void report（const intgenNum)；private：GenAlg genAlg；Curve curve；vector<Genome m_population；int g_popsize;double g_dMutationRate;double g_dCrossoverRate；int g_numGen；int g_Generation;double g_LeftPoint；double g_RightPoint；double bestFitness； double bestSearch;double averageFitness;
