技术标签: 函数极值遗传算法c语言
课程要求函数如下:
sqrt为开根号运算,x(j)的取值范围为[-500,500],初始群体大小为100。
适应度函数的大小就是函数值大小,仅仅做了归一化。
以后可能还会用到,代码做个保存,具体实现如下:交叉,畸变,选择概率可以根据具体情况修改
import matplotlib.pyplot as plt
import numpy as np
import random
import math
# 定义遗传算法参数
pop_size = 100 # 种群大小
generation = 10 # 最大遗传代数
length = 30 # 个体长度
pc = 0.65 # 交叉概率
# 变异产生新的个体,选择导致个体消亡,可以通过调节变异概率和选择概率保证种群完好
pm = 0.1 # 变异概率
# 每个个体随机编码
def genEncoding(pop_size, length):
pop = [[]]
for i in range(pop_size):
temp = []
for j in range(length):
temp.append(random.randint(0, 1))
pop.append(temp)
return pop[1:] # ??
# 解码
def genDecoding(pop, length):
temp = []
for i in range(len(pop)):
t = 0
for j in range(length):
t += pop[i][j]*math.pow(2, j)
temp.append(t)
return temp
# 计算目标值 x介于lb和ub之间
def calValue(pop, length, lb, ub):
obj_value = []
x_value = []
# 获取解码后个体
temp1 = genDecoding(pop, length)
for i in range(len(temp1)):
x = lb + (ub-lb)*temp1[i]/((math.pow(2, length)) - 1) # 计算x函数值
x_value.append(x)
obj_value.append(np.sin(np.sqrt(x))*x) # 计算y函数值
return obj_value
# 计算适应度 适应度就是对应的函数值
def fitness(pop, length, lb, ub):
obj_value = calValue(pop, length, lb, ub)
fit_value = []
for i in range(len(obj_value)):
fit_value.append(obj_value[i])
# fitness_value = list(map(abs, fitness_value))
fit_value = list(map(lambda x: -x+max(fit_value), fit_value))
return fit_value
# 选择函数 根据适应度值进行选择
def selection(pop, fitness_value):
newfitness_value = []
accumulation_value = []
# total_fit = np.sum(fitness_value)
fit_min = np.min(fitness_value)
fit_max = np.max(fitness_value)
for i in range(len(fitness_value)):
newfitness_value.append(fitness_value[i]-fit_min/(fit_max - fit_min)) # 计算适应度的相对值
accumulation_value = newfitness_value
ms = []
for i in range(len(pop)):
ms.append(random.random())
newpop = []
for j in range(len(accumulation_value)):
if 0.01 < accumulation_value[j]:
if j >= len(pop):
print(j, len(pop))
t = pop[j]
newpop.append(t)
# # 人口膨胀
# if len(accumulation_value)>1000:
return newpop
# 交叉函数
def crossover(pop, fitness_value, pc):
new_pop = selection(pop, fitness_value)
m = len(new_pop)
# n = len(new_pop[0])/2 # 一半的基因交叉重组
for i in range(m-1):
# rm = random.randint(0, m-1)
if random.random() < pc:
# 父代可以不保存
# new1 = new_pop[i].copy()
# new2 = new_pop[rm].copy()
for j in range(10):
k = random.randint(0, length-1)
temp1 = new_pop[i][k]
temp2 = new_pop[i+1][k]
new_pop[i+1][k] = temp1
new_pop[i][k] = temp2
# new_pop.append(new1)
return new_pop
# 变异函数
def mutation(pop, fitness_value, pc, pm, length):
newpop = crossover(pop, fitness_value, pc)
for i in range(len(newpop)):
new = []
if random.random() < pm:
new = newpop[i].copy()
m1 = random.randint(0, length-1)
m2 = random.randint(0, length - 1)
m3 = random.randint(0, length - 1)
if new[m1] == 1:
new[m1] = 0
else:
new[m1] = 1
if new[m2] == 1:
new[m2] = 0
else:
new[m2] = 1
if new[m3] == 1:
new[m3] = 0
else:
new[m3] = 1
newpop.append(new)
return newpop
if __name__ == "__main__":
# 画出函数图
plt.figure(1)
lb = 0
ub = 500
x = np.arange(lb, ub, 0.01)
y = np.sin(np.sqrt(x))*x
plt.plot(x, y)
plt.xlabel("自变量X"); plt.ylabel("应变量Y"); plt.title("sin(sqrt(x)*x")
# 初始化群体
pop = genEncoding(pop_size, length)
obj_value = calValue(pop, length, lb, ub)
gen = 0
x_value = []
best_x = []
best_individual = []
Generation = []
Mmax = 0
while gen < generation:
# 计算函数值
fit_value = fitness(pop, length, lb, ub)
# 交叉变异
newpop = mutation(pop, fit_value, pc, pm, length)
temp = genDecoding(newpop, length)
for i in range(len(temp)):
x = lb+(ub-lb)*temp[i]/((math.pow(2, length))-1)
x_value.append(x)
obj_value = calValue(newpop, length, lb, ub)
k = 0
j = 0
for i in range(len(obj_value)):
if k < obj_value[i]:
k = obj_value[i]
j = i
best_individual.append(k) # 最佳个体
if obj_value[j] > Mmax:
Mmax = obj_value[j]
best_x.append(x_value[j])
fitness_value = fitness(newpop, length, lb, ub)
Generation.append(gen)
gen = gen+1
pop = newpop
k = 0
j = 0
for i in range(len(best_individual)):
if k > best_individual[i]:
k = best_individual[i]
j = i
print(max(best_individual))
print(-Mmax*30)
best_individual.sort(reverse=True)
plt.figure(2)
plt.plot(Generation, best_individual)
plt.xlabel("遗传代数")
plt.ylabel("解的变化")
plt.title("进化过程")
plt.show()
实验结果如下:
最佳个体最大函数值max(best_individual):418.98264752959625
原函数最小值-max(best_individual)*30:-12569.479425887888
文章浏览阅读7k次,点赞86次,收藏192次。一、USB简介1.1 什么是USB? USB是连接计算机系统与外部设备的一种串口总线标准,也是一种输入输出接口的技术规范,被广泛地应用于个人电脑和移动设备等信息通讯产品,USB就是简写,中文叫通用串行总线。最早出现在1995年,伴随着奔腾机发展而来。自微软在Windows 98中加入对USB接口的支持后,USB接口才推广开来,USB设备也日渐增多,如数码相机、摄像头、扫描仪、游戏杆、打印机、键盘、鼠标等等,其中应用最广的就是摄像头和U盘了。 USB包括老旧的USB 1.1标准..._linux usb 通信从设备开发
文章浏览阅读2.6k次。Mac搭建Flutter环境_如果你使用终端是zsh,终端启动时 ~/.bash_profile 将不会被加载,解决办法就是修改
文章浏览阅读379次,点赞5次,收藏9次。在清楚了各个大厂的面试重点之后,就能很好的提高你刷题以及面试准备的效率,接下来小编也为大家准备了最新的互联网大厂资料。《一线大厂Java面试题解析+核心总结学习笔记+最新讲解视频+实战项目源码》点击传送门即可获取!家准备了最新的互联网大厂资料。[外链图片转存中…(img-VMQDYeXz-1712056340129)][外链图片转存中…(img-JqBcGpUE-1712056340130)][外链图片转存中…(img-7Rrt8dF9-1712056340130)]
文章浏览阅读448次。代理模式可以说是我们在java学习中非常常见的一个设计模式了,在很多地方我们都可以看到代理模式的影子。比如:Spring 的 Proxy 模式(AOP编程 )AOP的底层机制就是动态代理 mybatis中执行sql时mybatis会为mapper接口通过jdk动态代理的方法生成接口的实现类 Feign对于加了@FeignClient 注解的类会在Feign启动时,为其创建一个本地JDK Proxy代理实例,并注册到Spring IOC容器可以看出,代理模式就是给..._cglib需要引入第三方包
文章浏览阅读1w次,点赞2次,收藏6次。在前端开发过程中,一切皆对象,尤其是在数据处理的时候,大部分时候也是处理对象相关的数据,所以对象在JS中是很重要的一个内容,也是必用的内容。本篇博文来分享一下关于在JS中对象里面添加对象的操作,虽然知识点不难,但是常用,所以总结一下存起来,方便查阅使用。通过本文的介绍,关于在JS中对象里面添加对象的操作就得心应手了,虽然该知识点不难但是重要和常用,尤其是对于刚接触前端开发不久的开发者来说更是如此,所以绝对掌握该知识点还是很有必要的,重要性不再赘述。欢迎关注,共同进步。_一个对象如何添加另一个对象
文章浏览阅读257次,点赞3次,收藏8次。1.背景介绍自然语言生成(Natural Language Generation, NLG)是一种将计算机理解的结构化信息转换为自然语言文本的技术。自然语言生成可以用于多种应用,如机器翻译、文本摘要、对话系统等。随着深度学习技术的发展,自然语言生成的表现力得到了显著提高。迁移学习(Transfer Learning)是一种机器学习技术,它可以将在一个任务上学到的知识应用于另一个相关任务。在...
文章浏览阅读262次。在开发过程中有时会用到maven仓库里没有的jar包或者本地的jar包,这时没办法通过pom直接引入,那么该怎么解决呢一般有两种方法第一种是将本地jar包安装在本地maven库 第二种是将本地jar包放入项目目录中这篇文章主要讲第二种方式,这又分两种情况,一种是打包jar包,第二种是打包war包jar包 先看看jar包的结构 用压缩工具打开一个jar包 打包后jar包的路径在BOOT-INF\lib目录下 ..._springboot idea 直接启动 target 第三方 jar 包
文章浏览阅读1.4k次。CPU正常情况下45-65℃或更低,夏天或者玩游戏时,温度会高点,不超过80都属于正常温度。高于80℃时,需要采取措施:要检查CPU和风扇间的散热硅脂是否失效;更换CPU风扇;给风扇除尘;在通风或者空调间中使用机器。显卡温度:显卡一般是整个机箱里温度最高的硬件,常规下50-70℃(或更低),运行大型3D游戏或播放高清视频的时候,温度可达到100℃左右,一般高负载下不超过110℃均视为正常范畴。如有..._windows cpu gpu 压测
文章浏览阅读2.3w次,点赞2次,收藏5次。遇到的问题:OS10.12系统,使用Mac系统自带的磁盘工具,通过恢复来制作的U盘安装盘,开机按住option键,没有U盘的这个选项。原因:使用磁盘工具恢复,没有创建启动文件,使用命令行能创建。U盘抹掉,分区名为1。sudo /Applications/Install\ OS\ X\ El\ Capitan.app/Contents/Resources/createinstal_making disk bootable不动
文章浏览阅读129次。题目传送门题意:给出$N$表示背包容量,且会给出$N$种物品,第$i$个物品大小为$i$,数量也为$i$,求装满这个背包的方案数,对$23333333$取模。$N \leq 10^5$$23333333=17 \times 1372549$竟然不是质数性质太不优秀了(雾直接跑背包$O(N^2)$,于是咱们考虑挖掘性质、分开计算发现当$i < \sqrt{N}$时就是一个多..._背包 根号
文章浏览阅读110次。用.net实现网站验证码功能 收藏 一、验证码简介验证码功能一般是用于防止批量注册的,不少网站为了防止用户利用机器人自动注册、登录、灌水,都采用了验证码技术。所谓验证码,就是将一串随机产生的数字或字母或符号或文字,生成一幅图片, 图片里加上一些干扰象素(防止OCR),由用户肉眼识别其中的验证码信息,输入表单提交网站验证,验证成功后才能使用某项功能。常见的验证码有如下几种: 1、纯..._验证码的样本标签,是5个字符,每个字符的可能 取值范围是'0'~'9'、'a'~'z'共36
文章浏览阅读2.7k次,点赞2次,收藏3次。ImportError: undefined symbol: cudaSetupArgumentubuntu16.04How to solve?Step1.pip install -U torchvision==0.4.0链接: link.Step2.Problem:ImportError: cannot import name ‘PILLOW_VERSION’ from ‘PI..._undefinded symbol: cudasetupargument