用C++写一个遗传算法

好的，以下是一个简单的C++遗传算法实现示例：

#include <iostream>
#include <vector>
#include <cstdlib>
#include <ctime>

using namespace std;

// 定义目标函数
double targetFunc(double x) {
    return x * x;
}

// 遗传算法类
class GeneticAlgorithm {
public:
    GeneticAlgorithm(int p, double mr, double cr, double a, double b) : 
        populationSize(p), mutationRate(mr), crossoverRate(cr), lowerBound(a), upperBound(b) {}
    void run(int maxGeneration);
private:
    int populationSize; // 种群大小
    double mutationRate; // 变异率
    double crossoverRate; // 交叉率
    double lowerBound; // 变量下界
    double upperBound; // 变量上界
    vector<double> population; // 种群
    vector<double> fitness; // 种群适应度
    void initialize(); // 初始化种群
    void evaluate(); // 计算种群适应度
    int select(); // 选择
    void crossover(int p1, int p2); // 交叉
    void mutate(int i); // 变异
    double random(double a, double b); // 生成随机数
};

// 初始化种群
void GeneticAlgorithm::initialize() {
    population.resize(populationSize);
    for (int i = 0; i < populationSize; i++) {
        population[i] = random(lowerBound, upperBound);
    }
}

// 计算种群适应度
void GeneticAlgorithm::evaluate() {
    fitness.resize(populationSize);
    for (int i = 0; i < populationSize; i++) {
        fitness[i] = targetFunc(population[i]);
    }
}

// 选择
int GeneticAlgorithm::select() {
    double sum = 0;
    for (int i = 0; i < populationSize; i++) {
        sum += fitness[i];
    }
    double r = random(0, sum);
    double s = 0;
    for (int i = 0; i < populationSize; i++) {
        s += fitness[i];
        if (s > r) {
            return i;
        }
    }
    return populationSize - 1;
}

// 交叉
void GeneticAlgorithm::crossover(int p1, int p2) {
    double r = random(0, 1);
    if (r < crossoverRate) {
        double x1 = population[p1];
        double x2 = population[p2];
        double alpha = random(0, 1);
        population[p1] = alpha * x1 + (1 - alpha) * x2;
        population[p2] = alpha * x2 + (1 - alpha) * x1;
    }
}

// 变异
void GeneticAlgorithm::mutate(int i) {
    double r = random(0, 1);
    if (r < mutationRate) {
        population[i] = random(lowerBound, upperBound);
    }
}

// 生成随机数
double GeneticAlgorithm::random(double a, double b) {
    return a + (b - a) * rand() / RAND_MAX;
}

// 运行遗传算法
void GeneticAlgorithm::run(int maxGeneration) {
    srand((unsigned)time(NULL));
    initialize();
    evaluate();
    int generation = 0;
    while (generation < maxGeneration) {
        int p1 = select();
        int p2 = select();
        crossover(p1, p2);
        mutate(p1);
        mutate(p2);
        evaluate();
        generation++;
    }
    int bestIndex = 0;
    double bestFitness = fitness[0];
    for (int i = 1; i < populationSize; i++) {
        if (fitness[i] < bestFitness) {
            bestIndex = i;
            bestFitness = fitness[i];
        }
    }
    cout << "最优解为：" << population[bestIndex] << endl;
    cout << "最优值为：" << bestFitness << endl;
}

int main() {
    GeneticAlgorithm ga(100, 0.01, 0.8, -5, 5); // 初始化遗传算法
    ga.run(100); // 运行遗传算法
    return 0;
}

在上面的代码中，我们首先定义了目标函数targetFunc，这是我们要优化的目标函数。然后定义了遗传算法类GeneticAlgorithm，其中包括了初始化种群、计算种群适应度、选择、交叉、变异等操作。最后，在main函数中初始化遗传算法，并运行它。

需要注意的是，这只是一个简单的示例，实际上，遗传算法的实现还需要考虑许多因素，例如选择、交叉和变异的具体方式、选择的策略等。