人工智能实验遗传算法C++ 代码 计算适应度

以下是一个简单的遗传算法实验的C++代码，包括计算适应度的函数：

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

using namespace std;

// 假设我们需要优化的函数为 f(x) = x^2，x∈[0,31]
double fitness(int x) {
    return x * x;
}

// 随机生成初始种群
vector<int> generate_population(int size) {
    vector<int> population(size);
    for (int i = 0; i < size; i++) {
        population[i] = rand() % 32; // 生成0-31之间的随机整数
    }
    return population;
}

// 选择操作，使用轮盘赌法进行选择
vector<int> selection(const vector<int>& population, int size) {
    vector<int> selected(size);
    double sum_fitness = 0;
    for (int i = 0; i < population.size(); i++) {
        sum_fitness += fitness(population[i]);
    }
    for (int i = 0; i < size; i++) {
        double r = (double)rand() / RAND_MAX * sum_fitness;
        double s = 0;
        for (int j = 0; j < population.size(); j++) {
            s += fitness(population[j]);
            if (s >= r) {
                selected[i] = population[j];
                break;
            }
        }
    }
    return selected;
}

// 交叉操作，使用单点交叉
void crossover(vector<int>& population) {
    for (int i = 0; i < population.size() - 1; i += 2) {
        if (rand() / double(RAND_MAX) < 0.8) { // 80%的概率进行交叉
            int pos = rand() % 5 + 1; // 生成一个1-5之间的随机整数，作为交叉点
            int tmp = population[i] % (1 << pos);
            population[i] = (population[i] >> pos << pos) + (population[i + 1] % (1 << (5 - pos)));
            population[i + 1] = (population[i + 1] >> (5 - pos) << (5 - pos)) + tmp;
        }
    }
}

// 变异操作，使用位变异
void mutation(vector<int>& population) {
    for (int i = 0; i < population.size(); i++) {
        if (rand() / double(RAND_MAX) < 0.1) { // 10%的概率进行变异
            int pos = rand() % 5; // 生成一个0-4之间的随机整数，作为变异位
            population[i] ^= (1 << pos); // 将变异位取反
        }
    }
}

// 遗传算法主函数
int genetic_algorithm(int size, int max_generation) {
    vector<int> population = generate_population(size); // 生成初始种群
    int generation = 0;
    while (generation < max_generation) {
        vector<int> selected = selection(population, size / 2); // 选择
        crossover(selected); // 交叉
        mutation(selected); // 变异
        population = selected;
        generation++;
    }
    int best = population[0];
    double best_fitness = fitness(best);
    for (int i = 1; i < population.size(); i++) {
        double f = fitness(population[i]);
        if (f > best_fitness) {
            best_fitness = f;
            best = population[i];
        }
    }
    return best;
}

int main() {
    srand(time(NULL));
    int best = genetic_algorithm(100, 1000);
    cout << "最优解为：" << best << endl;
    cout << "最优解对应的函数值为：" << fitness(best) << endl;
    return 0;
}

在上述代码中，`fitness`函数用于计算适应度，`generate_population`函数用于随机生成初始种群，`selection`函数用于进行选择操作，`crossover`函数用于进行交叉操作，`mutation`函数用于进行变异操作，`genetic_algorithm`函数为遗传算法的主函数。在主函数中，先生成初始种群，然后进行若干代的选择、交叉、变异操作，最终得到最优解。