Java语言描述标准遗传算法

1、标准遗传算法(2008-08-10 16:03:11)标签：染色体 遗传算法 best if private 杂谈 1、利用标准遗传算法求解函数f(x)=(x-5)*(x-5)的最小值，其中x属于区间-255,255，算法的参数自己设定。要求：1)给出求解本问题的标准遗传算法源代码（要有注释）序界面: 算法的流程图: 开始 初始化染色体 计算适度值 选择操作 交叉操作 变异操作 适合度最优染色体 条件终止 结束 源程序:import java.awt.BorderLayout;import java.awt.event.ActionEvent;import java.awt.event.Act

2、ionListener;import javax.swing.JButton;import javax.swing.JFrame;import javax.swing.JLabel;import javax.swing.JPanel;import javax.swing.JScrollPane;import javax.swing.JTextArea;import javax.swing.JTextField; class Best public int generations; /最佳适应值代号 public String str; /最佳染色体 public double fitness;

3、 /最佳适应值 public class SGAFrame extends JFrame private JTextArea textArea; private String str = "" private Best best = null; /最佳染色体 private String ipop = new String10; /染色体 private int gernation = 0; /染色体代号 public static final int GENE = 22; /基因数 public static void main(String args) try SGAF

4、rame frame = new SGAFrame(); frame.setVisible(true); catch (Exception e) e.printStackTrace(); public SGAFrame() / SGAFrame类的构造函数 super(); this.ipop = inialPops(); getContentPane().setLayout(null); setBounds(100, 100, 461, 277); setDefaultCloseOperation(JFrame.EXIT_ON_CLOSE); final JLabel label = new

5、 JLabel(); label.setText("X的区间:"); label.setBounds(23, 10, 88, 15); getContentPane().add(label); final JLabel label_1 = new JLabel(); label_1.setText("-255,255"); label_1.setBounds(92, 10, 84, 15); getContentPane().add(label_1); final JButton button = new JButton(); button.addAct

6、ionListener(new ActionListener() public void actionPerformed(final ActionEvent e) SGAFrame s = new SGAFrame(); str = str + cess() + "n" textArea.setText(str); ); button.setText("求最小值"); button.setBounds(323, 27, 99, 23); getContentPane().add(button); final JLabel label_2 = n

7、ew JLabel(); label_2.setText("利用标准遗传算法求解函数f(x)=(x-5)*(x-5)的最小值:"); label_2.setBounds(23, 31, 318, 15); getContentPane().add(label_2); final JPanel panel = new JPanel(); panel.setLayout(new BorderLayout(); panel.setBounds(23, 65, 399, 164); getContentPane().add(panel); final JScrollPane scr

8、ollPane = new JScrollPane(); panel.add(scrollPane, BorderLayout.CENTER); textArea = new JTextArea(); scrollPane.setViewportView(textArea); / private String inialPop() String res = "" for (int i = 0; i < GENE; i+) if (Math.random() > 0.5) res += "0" else res += "1"

9、 return res; private String inialPops() String ipop = new String10; for (int i = 0; i < 10; i+) ipopi = inialPop(); return ipop; private double calculatefitnessvalue(String str) int b = Integer.parseInt(str, 2); /String str1 = "" + "/n" double x = -255 + b * (255 - (-255) / (M

10、ath.pow(2, GENE) - 1); /System.out.println("X = " + x); double fitness = -(x - 5) * (x - 5); /System.out.println("f(x)=" + fitness); /str1 = str1 + "X=" + x + "/n" /+ "f(x)=" + "fitness" + "/n" /textArea.setText(str1); return fitn

11、ess; private void select() double evals = new double10; / 所有染色体适应值 double p = new double10; / 各染色体选择概率 double q = new double10; / 累计概率 double F = 0; / 累计适应值总和 for (int i = 0; i < 10; i+) evalsi = calculatefitnessvalue(ipopi); if (best = null) best = new Best(); best.fitness = evalsi; best.generat

12、ions = 0; best.str = ipopi; else if (evalsi > best.fitness) / 最好的记录下来 best.fitness = evalsi; best.generations = gernation; best.str = ipopi; F = F + evalsi; / 所有染色体适应值总和 for (int i = 0; i < 10; i+) pi = evalsi / F; if (i = 0) qi = pi; else qi = qi - 1 + pi; for (int i = 0; i < 10; i+) doubl

13、e r = Math.random(); if (r <= q0) ipopi = ipop0; else for (int j = 1; j < 10; j+) if (r < qj) ipopi = ipopj; break; private void cross() String temp1, temp2; for (int i = 0; i < 10; i+) if (Math.random() < 0.25) double r = Math.random(); int pos = (int) (Math.round(r * 1000) % GENE; i

14、f (pos = 0) pos = 1; temp1 = ipopi.substring(0, pos) + ipop(i + 1) % 10.substring(pos); temp2 = ipop(i + 1) % 10.substring(0, pos) + ipopi.substring(pos); ipopi = temp1; ipop(i + 1) / 10 = temp2; private void mutation() for (int i = 0; i < 4; i+) int num = (int) (Math.random() * GENE * 10 + 1); i

15、nt chromosomeNum = (int) (num / GENE) + 1; / 染色体号 int mutationNum = num - (chromosomeNum - 1) * GENE; / 基因号 if (mutationNum = 0) mutationNum = 1; chromosomeNum = chromosomeNum - 1; if (chromosomeNum >= 10) chromosomeNum = 9; /System.out.println("变异前" + ipopchromosomeNum); String temp; i

16、f (ipopchromosomeNum.charAt(mutationNum - 1) = '0') if (mutationNum = 1) temp = "1" + ipopchromosomeNum.substring (mutationNum); else if (mutationNum != GENE) temp = ipopchromosomeNum.substring(0, mutationNum - 1) + "1" + ipop chromosomeNum.substring(mutationNum); else te

17、mp = ipopchromosomeNum.substring(0, mutationNum - 1) + "1" else if (mutationNum = 1) temp = "0" + ipopchromosomeNum.substring (mutationNum); else if (mutationNum != GENE) temp = ipopchromosomeNum.substring(0, mutationNum - 1) + "0" + ipop chromosomeNum.substring(mutatio

18、nNum); else temp = ipopchromosomeNum.substring(0, mutationNum - 1) + "1" ipopchromosomeNum = temp; /System.out.println("变异后" + ipopchromosomeNum); public String process() String str = "" for (int i = 0; i < 10000; i+) this.select(); this.cross(); this.mutation(); ger

19、nation = i; str = "最小值" + best.fitness + ",第" + best.generations + "个染色体" return str; 2)多次运行程序，观察运行结果，给出你对标准遗传算法优缺点的判断（可以从是否收敛、收敛速度，参数设置等方面考虑）。答:运行程序的结果: 求四次最小值的结果: 本算法优缺点的判断:1 优点：l 本算法是基于面向对象语言 Java 开发，而遗传算法本身的思想也是存在继承等面向对象概念；l 算法执行速度快。2 缺点：l 参数设置方面的缺点（循环次数） 本算法循环10000

20、次,求解f(x)的最小值,理论上,循环的次数越大,其最小结果会越接近于0。 标准遗传算法优缺点的判断: 标准遗传算法的优点：(1). 将搜索过程作用在编码后的字符串上 ,不直接作用在优化问题的具体变量上 ,在搜索中用到的是随机的变换规则 ,而不是确定的规则。它在搜索时采用启发式的搜索 ,而不是盲目的穷举 ,因而具有更高所搜索效率。(2). 现行的大多数优化算法都是基于线性、凸性、可微性等要求 ,而遗传算法只需要适合度信息 ,不需要导数等其他辅助信息 ,对问题的依赖性较小 ,因而具有高度的非线性 ,适用范围更广。此外还可以写出一个通用算法 ,以求解许多不同的优化问题。(3). 遗传算法从一组初始

21、点开始搜索 ,而不是从某一个单一的初始点开始搜索。而且给出的是一组优化解 ,而不是一个优化解 ,这样可以给设计者更大的选择余地。它能在解空间内充分搜索 ,具有全局优化能力。(4). 遗传算法具有很强的易修改性。即使对原问题进行很小的改动 ( 比如目标函数的改进 ),现行的大多数算法就有可能完全不能使用 ,而遗传算法则只需作很小的修改就完全可以适应新的问题。(5). 遗传算法具有很强的可并行性 ,可通过并行计算来提高计算速度 ,因而更适用于大规模复杂问题的优化。 标准遗传算法的缺点：(1). 遗传算法的理论研究比较滞后。由于遗传算法本身也是一种仿生的思想 ,尽管实践效果很好 ,但理论证明比较困难。而且这种算法提出来的时间还不是很长 ,因此其理论和实践的研究几乎是平行进行的。(2). GA 算法本身的参数还缺乏定量的标准 ,目前采用的都是经验数值 ,而且不同的编码、不同的遗传技术都会影响到遗传参数的选取 ,因而会影响到算法的通用性。(3). GA 对处理约束化问题还缺乏有效的手段 ,传统的罚函数法中对惩罚因子的选取还是一个比较困难的技术问题。 已投稿到： 排行榜 圈子 阅读(45)|评论(0)|收藏(0)|打印|举报 前一篇：NTCIP简介后一篇：城市交通智能控制优化算法评论 重要提示：警惕虚假中奖信息，点击查看详情发评论 暂无评论。发评论 明星私家相册 用户昵