一个小题目遗传算法的部分编码

遗传算法五大基本要素——参数编码、群体设定 遗传算法主要借用生物进化中的“适者生存”的规律。遗传算法包括两个数据转换操作,一个是从表现型到基因型的转换,将搜索空间中的参数或解转化成遗传空间中的染色体或者个体,这个过程叫做编码(coding)。另一个就是从基因型到变现型的转换,即将个体转换成搜索空间中的参数,这个过程叫做解码(decode)。遗传算法中包含了五个基本要素:参数编码,初始群体的设定,适应度函数的设计;遗传操作设计和控制参数设定。由于遗传算法不能直接处理问题空间的参数,因此,必须通过编码将要求解的问题表示成遗传空间的染色体或者个体。 阅读详情

题目:y=x^5-6x^4+14x^3-2x^2+1 x属于1到20

手动计算一下:

x属于0到19
y=(x+1)^5-6(x+1)^4+14(x+1)^3-2(x+1)^2+1
=x^5-x^4+14x^2+19x+7

发现如果是16到19那么变异算法编码就很麻烦了。先不考虑这部分的问题

中文表述:

编码是L=4,依然采用2进制编码,自然数编码太复杂。我不懂。 所以群体规模我还

是取4,关于编码长度和群体规模的取值我查了一下文档,不知道这个怎么办。就按

照《遗传算法群体规模的研究》来看我还是取4.
然后随机取值。还是4个。既然是随机就用随机数生成函数来搞定。我用均匀分布,

然后在区间里面搞定。[0,3][4,7][8,11][12,15]然后四个区间,慢慢取。
下面进入自动的环节。前面全部都是人工干预的。
step1,计算适应度。即
yi=f(xi) 适应度 Y=yi/Εyi
step2,删除最低适应度的,将最高适应度的复制入最低适应度的。(这个就不算除法

了,反正y也是线性的,直接算极大值吧。)
step3,几个位交换x1和x4,x2和x3 0.5~0.8的概率 第一次玩0.65吧。
step4,变异,每个位,都可能变异吧。0.1的概率。
step5,还是长相完全一样就停止。

下面因为是未付费,而且是学术探讨所以具体代码不给出。超过100行和较难的编码一概不公开。

测试案例,后面给出了完备性算法的结果。结果发现最优解是x=3,y=109,而我算来算去都是x=4,y=108也算是差不多了,哪怕开始选择的时候也有x=3。遗传算法果然是非完备性算法。

Code:
  1. package 遗传算法;   
  2.   
  3. public class test {   
  4.   
  5.     /**  
  6.      * @param args  
  7.      */  
  8.     public static void main(String[] args) {   
  9.         // TODO Auto-generated method stub   
  10.         Genetic gen=new Genetic();   
  11.         Fuction fun=new Fuction();   
  12.         gen.Geneticmain();   
  13.         System.out.println("下面是测试案例");   
  14.         for(int i=0;i<15;i++){   
  15.             System.out.println("x="+i+";y="+fun.fuctionValue(i));   
  16.         }   
  17.            
  18.     }   
  19.   
  20. }   
Code:
  1. package 遗传算法;   
  2.   
  3. public class Genetic {   
  4.     private static final double semaphore = 0.65;   
  5.     public int []cx={-1,-1,-1,-1};   
  6.     public int []bix={-1,-1,-1,-1};   
  7.     public int []cy={0,0,0,0};   
  8.     public int ty=0;//total y 没啥用   
  9.        
  10.        
  11.     Fuction fun=new Fuction();//调用   
  12.        
  13.     //主函数   
  14.     public void Geneticmain(){   
  15.         //初始化   
  16.         init();   
  17.         while(true){   
  18.         //计算适应度   
  19.         for(int i=0;i<cx.length;i++)   
  20.         cy[i]=fun.fuctionValue(cx[i]);   
  21.            
  22.         //选取最高值   
  23.         maxToMin();   
  24.            
  25.         //杂交   
  26.         swap(bix[0],0,bix[3],3);   
  27.         swap(bix[2],2,bix[1],1);   
  28.            
  29.         //变异   
  30.         variaty();   
  31.         //判定函数   
  32.         if(cx[0]==cx[1]&&cx[2]==cx[3]&&cx[3]==cx[1]) break;   
  33.         }   
  34.            
  35.         //打印结果   
  36.         System.out.print("x="+cx[1]+";y="+cy[1]);   
  37.     }   
  38.     //变异函数   
  39.      private void variaty() {   
  40.         。。         
  41.     }   
  42.      //变异   
  43.     private void vary(int i, int j) {   
  44.         。。         
  45.     }   
  46.     //是否变异   
  47.     private boolean isVary() {   
  48.         boolean flag=false;   
  49.         if(Math.random()<=0.1) flag=true;   
  50.         return flag;   
  51.     }   
  52.     //杂交函数   
  53.     private void swap(int x, int j, int y, int k) {   
  54.         。。         
  55.     }   
  56.     //位交换   
  57.     private void swapbit(int x, int y, int i) {   
  58.         。。                 
  59.                    
  60.         }   
  61.            
  62.     }   
  63.     //是否交换   
  64.     private boolean isswap() {   
  65.                          。。   
  66.     }   
  67.                      //最大值复制到最小值里面   
  68.     void maxToMin(){   
  69.          。。        
  70.     }   
  71.     //单个适应度计算   
  72.     int sufficient(int i){   
  73.         int flag=0;   
  74.         flag=cy[i]/ty;   
  75.         return flag;   
  76.     }   
  77.        
  78.     //初始化x   
  79.     void init()   
  80.     {。。   
  81.     }   
  82.     int TenToTwo(int x){   
  83.         int flag=0;   
  84.         if(x>=8){   
  85.             flag+=1000;x-=8;   
  86.         }else if(x>=4){   
  87.             flag+=100;x-=4;   
  88.         }else if(x>=2){   
  89.             flag+=10;x-=2;   
  90.                
  91.         }else if(x>=1)   
  92.             flag+=1;   
  93.            
  94.            
  95.         return flag;   
  96.     }   
  97.     int TwoToTen(int x){   
  98.         int flag=0;   
  99.         if(x>=1000){   
  100.             flag+=8;x-=1000;   
  101.         }else if(x>=100){   
  102.             flag+=4;x-=100;   
  103.         }else if(x>=2){   
  104.             flag+=2;x-=10;   
  105.                
  106.         }else if(x>=1)   
  107.             flag+=1;   
  108.            
  109.         return flag;   
  110.            
  111.     }   
  112.        
  113. }   

上面公开的有遗传算法的主函数,伪二进制转化成十进制,伪十进制转化成二进制。

下面是关于函数部分。这个有可能是要手动调整的。

Code:
  1. package 遗传算法;   
  2.   
  3. public class Fuction {   
  4.     public int[] x={0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15};   
  5.     //{0,1,2,3,4,5,6,7,8,9,10,11,12,13,14,15,16,17,18,19};   
  6.     public int fuctionValue(int x){   
  7.         int flag=0;   
  8.         int y=0;   
  9.         y=x^5-x^4+14*x^2+19*x+7;   
  10.         flag=y;   
  11.         return flag;   
  12.     }   
  13.   
  14. }   

一共代码250行。写了大概7小时。如果有探讨欢迎探讨。伸手党我也准备了伪的2~10进制相互转化。

遗传算法综述(三、 流程结构与编码解码(二进制编码,格雷码编码浮点数编码、符号编码)) 阅读详情

相关推荐

遗传算法--粗略理解

遗传算法案例: http://blog.youkuaiyun.com/qq_27755195/article/details/56597467编码常见的编码方法有: 二进制编码、浮点编码、自然数编码、格雷编码、实数编码。。 个人理解:编码指表现型到基因型的映射方法,根据求解问题的特点,将一种问题的解表达成字符串的方式。所以其实根据问题合理选择一个比较合适的字符串来表达自己问题就好,每个基因能准确的表达意义

炫炫有牛腩 的博客 1527

遗传算法入门(一)编码

关于遗传算法的编码总结

qq_44917046的博客 5318

遗传算法(Genetic Algorithm)详解与实现

遗传算法(Genetic Algorithm, GA)是受自然进化原理启发的一系列搜索算法。通过模仿自然选择和繁殖的过程,遗传算法可以为涉及搜索、优化和学习的各种问题提供高质量的解决方案。同时,它们类似于自然进化,因此遗传算法可以克服传统搜索和优化算法遇到的一些障碍,尤其是对于具有大量参数和复杂数学表示形式的问题。

盼小辉丶的博客 24万+

遗传算法(二)——编码

在实现遗传算法时,首要遇到的关键问题就是编码(encode)。编码的方法直接影响到了遗传算法的交叉算子、变异算子等遗传算子的运算,因此很大程度上决定了遗传进化的效率。 编解码过程图示: 这篇文章就主要总结一下最主流的一些编码方法: 二进制编码 含义: 个体基因型使用二值符号集{0,1}来构成,整个基因型是一个二进制编码符号串。二进制编码符号串的长度与问题所要求的求解精度有关。 举例1: x是属于...

SamYu 3万+

【车间调度】基于matlab多层编码遗传算法求解车间调度问题【含Matlab源码 035期】

多层编码遗传算法求解车间调度问题 完整的代码,方可运行;可提供运行操作视频!适合小白!

订阅付费专栏Matlab(奶茶价版),可赠送奶茶价版付费专栏指定代码1份; 4923

基于多层编码遗传算法的车间调度算法.rar_调度MATLAB_车间调度MATLAB_遗传算法 调度_遗传算法调度

基于多层编码遗传算法的车间调度算法(matlab实现)

遗传算法(GA)

遗传算法需要通过编码实现对个体的表示,并利用适应度函数对个体优劣进行评价,通过选择、交叉和变异等进化操作实现优化搜索。编码方法 遗传算法的编码方式有:二进制编码、自然数编码、实数编码和树形编码等。其中最常见的就是二进制编码。例如:一个长度为5的二进制串10100就可以表示为一个个体;三个二进制串010、110、111就可以表示为规模为3的群体。 解码 :将二进制串10100表示成问题的解为20,就是解码。(解码的原因:对个体的评价需要在问题的解空间中进行) 实际上交替进行编码和解码时遗传算法的必备组成部分,

qq_43774324的博客 5439

分子对接中的相互作用特征分析(目视筛查)

介绍分子对接的相互作用特征,以及如何通过这些特征进行目视筛查

recher_He1107的博客 5762

遗传算法的编码方式以及MATLAB实现

由于遗传算法不能直接处理问题空间的参数,因此必须通过编码将要求解的问题表示成遗传空间的染色体或者个体。这一转换操作就叫做编码,也可以称作(问题的)表示(representation)。在变成实现遗传算法时,首要遇到的关键问题就是编码。编码的方法会直接影响到了遗传算法后续的一系列操作,交叉、变异等,并且编码方式选取的好坏也会直接影响到算法的收敛速度和最优值。编码也就是问题表达:首先实现从性状到基因得映射,即编码工作,然后从代表问题可能潜在解集得一个种群开始进行进化求解。(粒子群,蚁群都需要问题表达)

stm8151k4的博客 5847

Prometheus+Grafana部署及企业微信邮件/群消息告警通知配置

本文详细介绍了在Ubuntu 22.04系统上部署普罗米修斯监控系统的完整流程。首先说明了系统配置要求(2核CPU、4G内存、100G硬盘),然后分步骤指导下载、解压和安装普罗米修斯服务。文章包含配置prometheus.yml文件、启动服务、设置系统服务等关键操作,并提供了访问9090端口验证服务的方法。接着介绍了通过node_exporter监控Linux主机的配置过程,包括安装、启动服务和修改普罗米修斯配置文件添加监控项。最后还涉及了mysqld_exporter的部署流程,用于监控MySQL数据库服

m0_58761900的博客 1643

实测对比:同步 vs 异步 DCDC,轻载时哪个更‘吵’?效率差多少?(以MP1601为例)

本文通过实测对比MP1601同步与异步DCDC在轻载工况下的噪声与效率表现,揭示异步整流在轻载时产生高频振铃的问题,而同步整流则提供更稳定的波形。测试数据显示,轻载下异步方案效率略高,但同步方案在EMI性能上优势明显,为工程选型提供重要参考。

weixin_30904593的博客 303

最优化算法 之 遗传算法代码实现及说明

遗传算法介绍及代码实现(一)算法说明遗传算法是最优化算法的一种,具体算法步骤如下: (1) 首先,预先设定染色体数目GeneSize, 基因的最大最小范围maxGene/minGene, 变异概率mutepro, 交叉概率crosspro,迭代次数iterate_num,并定义适应值函数。 (2)然后,根据基因范围,初始化染色体,并计算所有染色体的适应值。 (3)接下来,根据染色体适应值,对染

YoYoDelphine的博客 1万+

用AnythingLLM搭建私人RAG知识库:从入门到实战调优指南

大型语言模型虽然知识渊博,但无法触达私有文档中的具体内容,这正是检索增强生成(RAG)技术的核心价值所在。RAG通过先将文档切块并向量化,再在提问时检索最相关的片段拼接给模型,让AI基于指定资料精准回答,无需昂贵的模型微调。这种架构不仅让知识更新即时生效,还大幅降低了私有化部署的门槛。在实际工程中,RAG的落地需要合理选择嵌入模型、设计分块策略并调优检索参数,才能避免答非所问。对于个人或小团队,使用开源工具搭建本地知识库是最省心的路径,其中AnythingLLM以其开箱即用的特性,成为连接向量检索与模型推理

weixin_29062671的博客 231

遗传算法初级

遗传算法是一种基于仿生学的计算机算法,通过模拟自然进化和优胜劣汰法则来搜索问题的最优解(我会说这其实就是稍微改良了一下的暴搜?) 它是由美国的J.Holland于1975年提出来的玄学概率学混合暴力搜索方法,广泛适用于寻找算法优解、机器学习、人工生命、自适应自学习算法等等各种领域。 但是要知道,这个玄学的算法在用于寻找算法最优解时有一些限制:该算法最好是不能直接用公式套出最优解的算法。 su...

weixin_30954265的博客 121

PICO SCOPE 二次开发

基于C#开发一个简单的PICO示波器的上位机工作,与MCC600运动控制卡一起,实现数据自动采集

nixoncheng的博客 1152

从零开始学 PyTorch 7天路线图(完整可运行代码版)

本文提供了5天PyTorch入门教程的完整代码,涵盖从基础到实战的核心内容。Day1测试环境并介绍张量基础;Day2讲解常用张量操作;Day3演示自动求导机制;Day4实现完整线性回归模型;Day5构建MNIST手写数字识别全连接网络。所有代码可直接运行,包含GPU检测、梯度计算、模型训练和可视化等关键环节,帮助新手快速掌握PyTorch核心概念和典型应用场景。

IT老农民的博客 315

数学建模国赛2026备赛全攻略:从工具到论文的完整链路

数学建模竞赛是一项融合数学、编程与写作的综合性工程实践,其生命力在于将现实问题抽象为可求解的数学模型。数据分析与Python编程是支撑这一过程的核心能力,通过数据清洗、特征构造与可视化,为后续建模提供可靠基础。评价类、预测类、优化类三大模型体系覆盖了绝大多数赛题场景,掌握模型选型与求解技巧即可应对多变的问题需求。在实际应用中,从时间分配到论文图表规范,每个细节都影响最终成绩。随着大模型工具的普及,AI辅助代码调试与论文润色正成为效率提升的关键杠杆。围绕2026年国赛备赛,文章系统梳理了工具链搭建、数据处理流

weixin_34379433的博客 382

【异常】Nacos 2.x 核心报错:Server check fail (gRPC 端口连不通) 排查指南 Server check fail, please check server xxx-

Nacos 2.x 的 gRPC 升级大幅提升了推送效率,但也对网络基础设施提出了更高要求。遇到。

奶爸的编程之路,也就一周冷个三天 364

遗传算法(Genetic Algorithm, GA)详解及其Python代码实现

遗传算法即是通过不断迭代来寻求最优解的一种过程,将次解淘汰,优解保留并重新进行迭代,在一次次计算中,不断地趋近(不是等于)最优解的算法。

RSociopath的博客 1万+

从菜鸟到大神:VSCode助力HTML开发全攻略

本文全面介绍 VSCode 在 HTML 开发中的高效应用。先引导读者完成 VSCode 的安装与个性化设置,助其快速适应开发环境;接着推荐 Live Server、Prettier 等实用插件,实现实时预览、代码格式化等功能,提升开发效率。通过详细的开发实战步骤,从新建文件到添加样式,带领读者掌握 HTML 基础结构与常用标签使用。还分享代码片段管理、多人协作等进阶技巧,解决常见开发问题。旨在帮助开发者利用 VSCode,轻松高效完成 HTML 开发,打造优质网页。

邓邓子的博客 3369

Probability and Statistics - 4th edition

Probability and Statistics - 4th edition

遗传算法编码

前言:最近开始学习遗传算法,为了能够更有条理性的学习,记录一下遗传算法的一些个人小总结。还望看到的博友们多多指点……一、遗传算法执行过程首先是遗传算法的执行过程的整体概况,如下:1、选择编码策略,把参数转换成串;2、根据群体大小N,随机产生N个串构成的群体;3、根据适应度函数 F=f(x) 计算各个串的适应度;4、根据串的复制概率  F=f(x) 选择一个串进行复制,直至已经复制了N个串,适应度越高,复制概率越大;5、复制后的串两两配对,以交叉概率进行交叉;6、对每个串中的基因按变异概率进行翻转;7、从3起

2万+

IDEA的使用指南

IDEA基于java的使用手册,可以最快速的上手,在使用中不断的丰富自己的使用技巧.

遗传算法详解及代码实现

遗传算法定义相关术语交叉变异产生子代完整过程遗传算法应用问题的提出与解决方案“袋鼠跳”问题爬山法(最速上升爬山法)模拟退火遗传算法遗传算法实现过程遗传算法的一般步骤遗传算法图解进化细节编码方法二进制编码浮点编码法符号编码法袋鼠染色体编码评价个体的适应度--适应度函数(fitness function)射杀一些袋鼠--选择函数(selection)遗传--染色体交叉(crossover)变异--基因突变(Mutation) 定义 遗传算法(Genetic Algorithm, GA)起源于对生物系统所进行的计

qq_41230076的博客 9万+

老版QQ原生表情gif动态

这是老版的QQ表情,不过全是动态的的,Windows照片查看器是不会动的,可以右击用浏览器打开查看,再说一遍是老版的,只是分享给宁愿用老版也要动态的人。

IMSL CNL 7.0.0 (x86-64)Crack

IMSL CNL 7.0.0 (x86-64)Crack intel的算法库破解文件,这是C++版本的破解文件

遗传算法(Genetic Algorithms)(GA)

GA(Genetic Algorithms)遗传算法 遗传算法的构成要素: 1、种群和种群的大小。 2、编码方法。正确地对染色体进行编发来表示问题的解释遗传算法的基础工作,也是最重要的工作。 3、遗传算子。遗传算子中包括两个重要的算子:交叉率、变异率。 交叉率记为Pc,定义为各代中交叉产生后代数与种群中的个体数的比。显然,较高的交叉率将达到更大的解空间,从而减小停止在非最优解上的机会;但是交叉率太高,会因过多的搜索不必要的解空间而耗费大量的计算时间。 变异率记为Pm,定义为种群中变异基因数在总基因数中的百分

Liu_Ning_666的博客 7003

遗传算法理解与代码实战(一)- demo(python手写代码)

适应度函数,计算个体的适应度x = int(''.join(str(gene) for gene in chromosome), 2)#转换成十进制# 选择函数,基于适应度进行选择# 交叉函数,随机选择交叉点,进行基因交换else:# 变异函数,随机翻转基因population: 这是一个参数,代表当前种群的个体集合。在遗传算法中,种群是所有可能的解决方案的集合。这里使用列表推导式来计算种群中每个个体的适应度值。

Andy_shenzl的博客 1826

机器学习之遗传算法

遗传算法(Genetic Algorithm,GA)最早是由美国的 John holland于20世纪70年代提出,该算法是根据大自然中生物体进化规律而设计提出的。是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法。该算法通过数学的方式,利用计算机仿真运算,将问题的求解过程转换成类似生物进化中的染色体基因的交叉、变异等过程。在求解较为复杂的组合优化问题时,相对一些常规的优化算法,通常能够较快地获得较好的优化结果。遗传算法已被人们广泛地应用于组合优

m0_51339444的博客 5938

【智能算法】遗传算法原理及示例

【智能算法】遗传算法原理及示例

wzk4869的博客 1万+
上一篇: 越基础越难改变
下一篇: 改一下注册表
blacksapper
博客等级 码龄19年 20粉丝 81原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
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
实付元
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