遗传算法简单c语言代码

遗传算法是一种模拟自然选择过程的优化搜索技术，它通常用于解决复杂的问题求解。以下是使用C语言实现一个简单的遗传算法的一个基本框架示例，这里我们以解决“旅行商问题”为例：

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

// 定义城市结构体
typedef struct {
    int id;
    double x, y; // 坐标
} City;

// 适应度函数（距离最短优先）
double fitness(City* cities, int n, int tour[]) {
    double distance = 0;
    for(int i=0; i<n; i++) {
        int next = (tour[(i+1)%n] + 1) % n; // 防止边界溢出
        distance += hypot(cities[tour[i]].x - cities[next].x, cities[tour[i]].y - cities[next].y);
    }
    return 1 / distance;
}

// 初始化种群
City* initialize_population(int n, int size) {
    City* pop = malloc(size * sizeof(City));
    for(int i=0; i<size; i++) {
        pop[i].id = i;
        pop[i].x = rand() % n;
        pop[i].y = rand() % n;
    }
    return pop;
}

// 交叉操作
void crossover(City* parent1, City* parent2, City* offspring) {
    int crossover_point = rand() % 20; // 交叉点随机选择
    for(int i=0; i<20; i++) {
        offspring[i] = parent1[i];
    }
    for(int i=crossover_point; i<20; i++) {
        offspring[i] = parent2[i];
    }
}

// 变异操作
void mutate(City* individual) {
    int index = rand() % 20;
    individual[index].x = rand() % 100; // 假设坐标范围是0到99
    individual[index].y = rand() % 100;
}

int main() {
    srand(time(NULL)); // 设置随机种子

    // 初始化参数
    int n_cities = 10; // 城市数量
    int population_size = 50; // 种群大小
    int generations = 100; // 迭代次数

    // 初始化种群
    City* pop = initialize_population(n_cities, population_size);

    for(int gen=0; gen<generations; gen++) {
        double* fitness_scores = malloc(population_size * sizeof(double));

        // 计算当前种群的适应度
        for(int i=0; i<population_size; i++) {
            fitness_scores[i] = fitness(pop, n_cities, pop[i].id);
        }

        // 排序并选择下一代
        for(int i=0; i<population_size; i++) {
            int best_idx = i;
            for(int j=i+1; j<population_size; j++) {
                if(fitness_scores[j] > fitness_scores[best_idx]) {
                    best_idx = j;
                }
            }
            City temp = pop[i];
            pop[i] = pop[best_idx];
            pop[best_idx] = temp;
        }

        // 生成下一代
        City* new_pop = malloc(population_size * sizeof(City));
        for(int i=0; i<population_size; i++) {
            City* parent1 = pop[rand() % population_size];
            City* parent2 = pop[rand() % population_size];
            crossover(parent1, parent2, &new_pop[i]);
            mutate(&new_pop[i]);
        }
        free(new_pop); // 释放旧一代内存

        // 更新种群
        free(pop);
        pop = initialize_population(n_cities, population_size);
        for(int i=0; i<population_size; i++) {
            pop[i] = new_pop[i];
        }
        free(fitness_scores);
    }

    printf("最优解：\n");
    for(int i=0; i<n_cities; i++) {
        printf("%d (%f,%f)\n", pop[0].id, pop[0].x, pop[0].y);
    }

    free(pop);
    return 0;
}

这个例子非常基础，实际应用中可能需要根据问题的具体需求调整适应度函数、交叉和变异等部分。运行此程序将得到一个近似于旅行商问题解决方案的路线。