随机生成测试数据(rand(),srand())

本文介绍了在算法竞赛入门中提到的对拍调试方法,涉及如何编写数据生成器以产生随机整数。文章指出,直接使用rand() % n可能在n大于RAND_MAX时无法得到预期结果,并提供了改进方案:先将随机数转换为[0, 1]区间内的实数,扩大比例后四舍五入。为了生成不重复的随机数,建议使用time()函数初始化不同的种子,如srand(time(0))。" 114413332,10544685,Java基础第一阶段测试题,"['Java', '编程基础', '测试题', '程序设计']

随机生成测试数据

算法竞赛入门里面的第六章讲到了一种对拍的调试程序的方法,就是写同一个程序用两种不同的方法来实现,然后用相同的测试数据来分别测试两个程序,然后比对两个程序的结果是否相同。

其中讲到了编写数据生成器的方法:

程序摘抄如下:

/* 
#include<stdio.h>
#include<stdlib.h>  // rand()和srand()需要 
#include<time.h>  //time()需要 
int n = 100, m = 100000;
double random()
{
	return (double) rand()/RAND_MAX; //生成[0,1]之间的均匀随机数 
}
int random(int m)
{
	return (int)(random()*(m-1)+0.5);//生成[0,m-1]之间的均匀随机数
}
int main()
{
	srand(time(NULL)); // 初始化随机数种子 
	printf("%d %d\n",n,m);
	for(int i = 0; i < m; i ++)
	{
		if(rand() % 2 == 0 ) printf("A"); else printf("B");  // 随机指令种类 
		int X,Y;
		for(;;)
		{
			X = random(n)+1;
			Y = random(n)+1;
			if(X != Y) break; //只有X和Y不相等才
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: ```c #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。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值