编码方式在遗传算法求一些函数极值上的性能比较.pdf
扫描二维码，下载文件到手机
当前文件信息
浏览：54次
您的VIP会员已过期，是否续费？
用户应遵守著作权法，尊重著作权人合法权益，不违法上传、存储并分享他人作品。举报邮箱：
京网文[0号 京ICP证100780号 上传我的文档
 下载
 收藏
该文档贡献者很忙，什么也没留下。
 下载此文档
正在努力加载中...
遗传算法求解函数极值C语言代码
下载积分：1600
内容提示：遗传算法求解函数极值C语言代码
文档格式：DOCX|
浏览次数：149|
上传日期： 08:12:02|
文档星级：
该用户还上传了这些文档
遗传算法求解函数极值C语言代码
官方公共微信&&&&遗传算法求解函数极值
&遗传算法求解函数极值
遗传算法求解函数的极值源码，代码分为几个文件都是用遗传算法的操作命名。所求解函数具体说明在适应度函数文件和主要执行文件中都有说明。代码中有大量的注释，额甚至可以说注释的数量比代码量都多，因为编写次源码的初衷就是想用来给别人讲解遗传算法的一个大致的过程。虽然是最简单的GA，但是也还是有一定的效果。代码的不足之处欢迎指出。代码和注释为原创，希望转载者注明来源，以便大家技术交流。
若举报审核通过，可奖励20下载分
被举报人：
qazqweliyi
举报的资源分：
请选择类型
资源无法下载
资源无法使用
标题与实际内容不符
含有危害国家安全内容
含有反动色情等内容
含广告内容
版权问题，侵犯个人或公司的版权
*详细原因：
VIP下载&&免积分60元/年（1200次）
您可能还需要
Q.为什么我点的下载下不了，但积分却被扣了
A. 由于下载人数众多，下载服务器做了并发的限制。若发现下载不了，请稍后再试，多次下载是不会重复扣分的。
Q.我的积分不多了，如何获取积分？
A. 获得积分，详细见。
完成任务获取积分。
论坛可用分兑换下载积分。
第一次绑定手机，将获得5个C币，C币可。
关注并绑定CSDNID，送10个下载分
下载资源意味着您已经同意遵守以下协议
资源的所有权益归上传用户所有
未经权益所有人同意，不得将资源中的内容挪作商业或盈利用途
CSDN下载频道仅提供交流平台，并不能对任何下载资源负责
下载资源中如有侵权或不适当内容，
本站不保证本站提供的资源的准确性，安全性和完整性，同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
开发技术下载排行
您当前C币：0&&&可兑换 0 下载积分
兑换下载分:&
消耗C币:0&
立即兑换&&
兑换成功你当前的下载分为 。前去下载资源
你下载资源过于频繁，请输入验证码
如何快速获得积分？
你已经下载过该资源，再次下载不需要扣除积分
遗传算法求解函数极值
所需积分：1
剩余积分：0
扫描微信二维码精彩活动、课程更新抢先知
VIP会员，免积分下载
会员到期时间：日
剩余下载次数：1000
遗传算法求解函数极值
剩余次数：&&&&有效期截止到：
你还不是VIP会员VIP会员享免积分 . 专属通道极速下载
VIP下载次数已满VIP会员享免积分 . 专属通道极速下载，请继续开通VIP会员
你的VIP会员已过期VIP会员享免积分 . 专属通道极速下载，请继续开通VIP会员遗传算法求复杂函数极值问题-五星文库
免费文档下载
遗传算法求复杂函数极值问题
导读：1.1遗传算法生物学背景，基因遗传等规律产生适应环境变化的优良物种，遗传算法是根据生物进化思想而启发得出的一种全局优化算法，1.1.1遗传与变异，1、遗传，这种生命现象叫遗传，研究这种生命现象的科学叫做遗传学，遗传信息是由基因组成的，基因是遗传的基本单位，其遗传基因也同时被复制到下一代，遗传物质DNA通过复制而转移到新产生的细胞中，本文主要讨论遗传算法在实际数值函数优化问题中的应用，即对实际问
1.1遗传算法生物学背景
生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。遗传算法是根据生物进化思想而启发得出的一种全局优化算法。
遗传与变异
世间的生物从其亲代继承特性或性状，这种生命现象叫遗传，研究这种生命现象的科学叫做遗传学。遗传信息是由基因组成的，生物的各种性状由其相应基因来控制，基因是遗传的基本单位。细胞分裂具有自我复制的能力，在细胞分裂的过程中，其遗传基因也同时被复制到下一代，从而其性状也被下一代所继承。
细胞在分裂时，遗传物质DNA通过复制而转移到新产生的细胞中，新细胞就继承了旧细胞的基因，在进行细胞复制时，虽然概率很小，但也有可能产生某些复制差错，从而使DNA发生某种变异产生出新的染色体，从而表现出新的性状。
1.1.2 进化
生物在其延续生存的过程中，逐渐适应于其生存环境，使得其品质不断得到改良，这种现象叫做进化。新的基因依据其与环境的适应程度决定其增殖能力，有利于生存环境的基因逐渐增加，而不利于生存环境的基因逐渐减少，通过这种自然的选择，物种渐渐的向适应于生存环境的方向进化，从而产生优良的物种。
本文主要内容
本文主要讨论遗传算法在实际数值函数优化问题中的应用，即对实际问题建模后求函数最大值的问题。遗传算法通过对群体所施加的迭代进化过程，不断的将当前群体中具有较高适应度的个体遗传到下一代群体中，并且不断的淘汰掉适应度较低的个体，从而最终寻求出适应度最大的个体。这个适应度最大的个体经解码处理之后所对应的个体表现型即为实际问题最优解或是最近似最优解
遗传算法简介
2.1 历史与发展
二十世纪六十年代，I.Rechenberg在他的《演化战略》中第一次引入了进化算法的思想（起初称之为Evolutionsstragegie）。他的这一思想逐渐被其他一些研究者发展。遗传算法（Genetic Algorithms） 是John Holland 发明的，后来他和他的学生及他的同事又不断发展了它。终于，在1975年John Holland 出版了专著《自然系统和人工系统中的自适应》（Adaption In Natural and Artificial Systems）。
1992年，John Koza 曾经使用遗传算法编出新的程序去做一些具体的工作。他称他的这种方法为“进化规划”（Genetic Programming，简称GP）。其中使用了LISP规划方法，这是因为这种语言中的程序被表示为“分析树”（Parse Tree），而这种遗传算法就是以这些分析树为对象的。
遗传算法的基本原理：
遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。
这里所指的某种结束准则一般是指个体的适应度达到给定的阀值；或者个体的适应度的变化率为零。
图2-1中表示了遗传算法的执行过程。
图2-1 遗传算法基本原理
遗传算法特点：
（1） 遗传算法的操作对象是一组可行解，而非单个可行解；搜索轨道有多条，而非单条，
因此具有良好的并行性。
（2） 遗传算法只需利用目标函数取值信息，而无须梯度等高价信息，因而实用用于大规
模高度非线形的不连续多峰值函数的优化以及无解析表达式的目标函数的优化，具有很强的通用性。
（3） 遗传算法的择优机制是一种“软“策略，加上其良好的并行性使其具有良好的全局
优化性能和稳健性鲁棒性。
（4） 遗传算法的可行解集是经过编码的，目标函数可解释为编码化个体的适应值因而具
有良好的可操作性与简单性。
遗传算法的目的
典型的遗传算法CGA(Canonical Genetic Algorithm)通常用于解决下面这一类的静态最优化问题：
考虑对于一群长度为L的二进制编码bi，i＝1，2，…，n；有 bi∈{0,1}L
给定目标函数f，有f(bi)，并且76
0&F(BI)&∞& P&
同时 f(bi)≠f(bi+1)
求满足下式
max{f(bi)|bi∈{0,1}L}
很明显，遗传算法是一种最优化方法，它通过进化和遗传机理，从给出的原始解群中，不断进化产生新的解，最后收敛到一个特定的串bi处，即求出最优解。
遗传算法的应用
遗传算法已经在很多复杂问题（比如说NP-难题）、机器学习和简单的进化规划中得到了使用。遗传算法在一些艺术领域也取得了很大成就，比如说进化图片和进化音乐。
遗传算法的优势在于他的并行性。遗传算法在搜索空间中非常独立地移动（按照基因型而不是表现型），所以它几乎不可能像其它算法那样“粘”在局部极值点。
遗传算法更容易实现。一旦你有了一个遗传算法的程序，如果你想解决一个新的问题，你只需要针对新的问题重新进行基因编码就行。如果编码方法也相同，那你只需要改变一下适应度函数就可以了。当然，选择编码方法和适应度函数是一件非常难的问题。
遗传算法的缺点是它的计算时间太长。它们可能比其他任何算法需要的时间都长。当然，对于今天的高速计算机来说，这已经不是个大问题了。
为了让读者更好地了解遗传算法所解决的问题,这里有一个关于遗传算法应用的小列表:
（1）非线性动态系统――预测，数据分析；
（2）神经网络的结构和权重设计；
（3） 自动控制导弹的轨道设计；
包含总结汇报、资格考试、人文社科、word文档、外语学习、IT计算机、党团工作、考试资料、旅游景点、出国留学以及遗传算法求复杂函数极值问题等内容。本文共9页
相关内容搜索您的位置： &
浮点数遗传算法在函数极值求解中的应用
优质期刊推荐}