遗传算法生成测试数据的C语言代码

遗传算法是一种优化算法，可以用于生成测试数据。以下是使用遗传算法生成测试数据的 C 语言代码示例：

#include <stdio.h>
#include <stdlib.h>
#include <time.h>

#define POP_SIZE 50 // 种群大小
#define MAX_GENERATION 1000 // 最大迭代次数
#define MUTATION_RATE 0.01 // 变异率

// 求解目标函数，这里以求解 y = x^2 的最小值为例
double target_func(double x) {
    return x * x;
}

// 个体结构体
typedef struct individual {
    double x; // 自变量
    double fitness; // 适应度
} individual_t;

// 生成随机数
double rand_double(double min, double max) {
    return min + (double)rand() / RAND_MAX * (max - min);
}

// 初始化种群
void init_pop(individual_t pop[]) {
    for (int i = 0; i < POP_SIZE; i++) {
        pop[i].x = rand_double(-10, 10);
        pop[i].fitness = target_func(pop[i].x);
    }
}

// 计算适应度总和
double calc_fitness_sum(individual_t pop[]) {
    double sum = 0;
    for (int i = 0; i < POP_SIZE; i++) {
        sum += pop[i].fitness;
    }
    return sum;
}

// 选择操作
void selection(individual_t pop[], individual_t new_pop[]) {
    double fitness_sum = calc_fitness_sum(pop);
    for (int i = 0; i < POP_SIZE; i++) {
        double r = rand_double(0, fitness_sum);
        double sum = 0;
        for (int j = 0; j < POP_SIZE; j++) {
            sum += pop[j].fitness;
            if (sum >= r) {
                new_pop[i] = pop[j];
                break;
            }
        }
    }
}

// 变异操作
void mutation(individual_t pop[]) {
    for (int i = 0; i < POP_SIZE; i++) {
        if (rand() / (double)RAND_MAX < MUTATION_RATE) {
            pop[i].x = rand_double(-10, 10);
            pop[i].fitness = target_func(pop[i].x);
        }
    }
}

// 交叉操作
void crossover(individual_t pop[], individual_t new_pop[]) {
    for (int i = 0; i < POP_SIZE; i++) {
        int parent1 = rand() % POP_SIZE;
        int parent2 = rand() % POP_SIZE;
        double x1 = pop[parent1].x;
        double x2 = pop[parent2].x;
        double child = rand_double(x1, x2);
        new_pop[i].x = child;
        new_pop[i].fitness = target_func(child);
    }
}

// 找到适应度最高的个体
individual_t find_best(individual_t pop[]) {
    individual_t best = pop[0];
    for (int i = 1; i < POP_SIZE; i++) {
        if (pop[i].fitness < best.fitness) {
            best = pop[i];
        }
    }
    return best;
}

int main() {
    srand(time(NULL));

    individual_t pop[POP_SIZE];
    individual_t new_pop[POP_SIZE];

    // 初始化种群
    init_pop(pop);

    for (int generation = 0; generation < MAX_GENERATION; generation++) {
        // 选择操作
        selection(pop, new_pop);

        // 变异操作
        mutation(new_pop);

        // 交叉操作
        crossover(new_pop, pop);

        // 找到适应度最高的个体
        individual_t best = find_best(pop);

        printf("Generation %d: x=%lf, y=%lf\n", generation, best.x, best.fitness);
    }

    individual_t best = find_best(pop);
    printf("Best solution: x=%lf, y=%lf\n", best.x, best.fitness);

    return 0;
}

这段代码实现了一个简单的遗传算法，用于求解 y = x^2 的最小值。其中，个体结构体包含自变量 x 和适应度 fitness。初始化种群时随机生成自变量 x，然后计算适应度 fitness。选择操作、变异操作和交叉操作都是基本的遗传算法操作。在每一代中，找到适应度最高的个体并输出。最后输出找到的最优解。