求 自适应遗传算法 代码...

[takashikoo]

毕业设计的东西..

自适应 到底是怎么 自适应 的???

[mochen5460]

/**********************************************************************/
/* 基于基本遗传算法的自适应遗传优化算法函数最优化 SGA_AUTO.C */
/**********************************************************************/
#include <stdio.h>
#include <math.h>
/* 全局变量 */
struct individual /* 个体*/
{
unsigned *chrom; /* 染色体 */
double fitness; /* 个体适应度*/
double varible; /* 个体对应的变量值*/
int xsite; /* 交叉位置 */
int parent[2]; /* 父个体 */
int *utility; /* 特定数据指针变量 */
};
struct bestever /* 最佳个体*/
{
unsigned *chrom; /* 最佳个体染色体*/
double fitness; /* 最佳个体适应度 */
double varible; /* 最佳个体对应的变量值 */
int generation; /* 最佳个体生成代 */
};
struct individual *oldpop; /* 当前代种群 */
struct individual *newpop; /* 新一代种群 */
struct bestever bestfit; /* 最佳个体 */
double sumfitness; /* 种群中个体适应度累计 */
double max; /* 种群中个体最大适应度 */
double avg; /* 种群中个体平均适应度 */
double min; /* 种群中个体最小适应度 */
float pcross; /* 交叉概率 */
float pmutation; /* 变异概率 */
int popsize; /* 种群大小 */
int lchrom; /* 染色体长度*/
int chromsize; /* 存储一染色体所需字节数 */
int gen; /* 当前世代数 */
int maxgen; /* 最大世代数 */
int run; /* 当前运行次数 */
int maxruns; /* 总运行次数 */
int printstrings; /* 输出染色体编码的判断，0 -- 不输出, 1 -- 输出 */
int nmutation; /* 当前代变异发生次数 */
int ncross; /* 当前代交叉发生次数 */
float pc1;
float pc2;
float pm1;
float pm2;
int temp_mate1;
int temp_mate2;
/* 随机数发生器使用的静态变量 */
static double oldrand[55];
static int jrand;
static double rndx2;
static int rndcalcflag;
/* 输出文件指针 */
FILE *outfp ;
/* 函数定义 */
void advance_random();
int flip(float);rnd(int, int);
void randomize();
double randomnormaldeviate();
float randomperc(),rndreal(float,float);
void warmup_random(float);
void initialize(),initdata(),initpop();
void initreport(),generation(),initmalloc();
void freeall(),nomemory(char *),report();
void writepop(),writechrom(unsigned *);
void preselect();
void statistics(struct individual *);
void title(),repchar (FILE *,char *,int);
void skip(FILE *,int);
int select();
void objfunc(struct individual *);
int crossover (unsigned *, unsigned *, unsigned *, unsigned *);
void mutation(unsigned *);


void initialize() /* 遗传算法初始化 */
{
/* 键盘输入遗传算法参数 */
initdata();
/* 确定染色体的字节长度 */
chromsize = (lchrom/(8*sizeof(unsigned)));
if(lchrom%(8*sizeof(unsigned))) chromsize++;
/*分配给全局数据结构空间 */
initmalloc();
/* 初始化随机数发生器 */
randomize();
/* 初始化全局计数变量和一些数值*/
nmutation = 0;
ncross = 0;
bestfit.fitness = 0.0;
bestfit.generation = 0;
/* 初始化种群，并统计计算结果 */
initpop();
statistics(oldpop);
initreport();
}

void initdata() /* 遗传算法参数输入 */
{
char answer[2];
popsize=30;
if((popsize%2) != 0)
{
fprintf(outfp, "种群大小已设置为偶数\n");
popsize++;
};
lchrom=22;
printstrings=1;
maxgen=150;
pcross=0.8;
pc1=0.8;
pc2=0.6;
pmutation=0.05;
pm1=0.05;
pm2=0.005;
}

void initpop() /* 随机初始化种群 */
{
int j, j1, k, stop;
unsigned mask = 1;
for(j = 0; j < popsize; j++)
{
for(k = 0; k < chromsize; k++)
{
oldpop[j].chrom[k] = 0;
if(k == (chromsize-1))
stop = lchrom - (k*(8*sizeof(unsigned)));
else
stop =8*sizeof(unsigned);
for(j1 = 1; j1 <= stop; j1++)
{
oldpop[j].chrom[k] = oldpop[j].chrom[k]<<1;
if(flip(0.5))
oldpop[j].chrom[k] = oldpop[j].chrom[k]|mask;
}
}
oldpop[j].parent[0] = 0; /* 初始父个体信息 */
oldpop[j].parent[1] = 0;
oldpop[j].xsite = 0;
objfunc(&(oldpop[j])); /* 计算初始适应度*/
}
}

void initreport() /* 初始参数输出 */
{
void skip();
skip(outfp,1);
fprintf(outfp," 基本遗传算法参数\n");
fprintf(outfp," -------------------------------------------------\n");
fprintf(outfp," 种群大小(popsize) = %d\n",popsize);
fprintf(outfp," 染色体长度(lchrom) = %d\n",lchrom);
fprintf(outfp," 最大进化代数(maxgen) = %d\n",maxgen);
fprintf(outfp," 交叉概率(pcross) = %f\n",pcross);
fprintf(outfp," 变异概率(pmutation) = %f\n",pmutation);
fprintf(outfp," -------------------------------------------------\n");
skip(outfp,1);
fflush(outfp);
}

void generation()
{
int mate1, mate2, jcross, j = 0;
/* 每代运算前进行预选 */
preselect();
/* 选择, 交叉, 变异 */
do
{
/* 挑选交叉配对 */
mate1 = select();
temp_mate1 = mate1;
mate2 = select();
temp_mate2 = mate2;
/* 交叉和变异 */
jcross = crossover(oldpop[mate1].chrom, oldpop[mate2].chrom, newpop[j].chrom, newpop[j+1].chrom);
/* 自适应变异概率 */
if(gen!=0)
{
if(newpop[j].fitness>=avg)
pmutation = pm1-(pm1-pm2)*(max-newpop[j].fitness)/(max-avg);
else
pmutation = pm1;
}
mutation(newpop[j].chrom);
if(gen!=0)
{
if(newpop[j+1].fitness>=avg)
pmutation = pm1-(pm1-pm2)*(max-newpop[j+1].fitness)/(max-avg);
else
pmutation = pm1;
}
mutation(newpop[j+1].chrom);
/* 解码, 计算适应度 */
objfunc(&(newpop[j]));
/*记录亲子关系和交叉位置 */
newpop[j].parent[0] = mate1+1;
newpop[j].xsite = jcross;
newpop[j].parent[1] = mate2+1;
objfunc(&(newpop[j+1]));
newpop[j+1].parent[0] = mate1+1;
newpop[j+1].xsite = jcross;
newpop[j+1].parent[1] = mate2+1;
j = j + 2;
}
while(j < (popsize-1));

}

void initmalloc() /*为全局数据变量分配空间 */
{
unsigned nbytes;
char *malloc();
int j;
/* 分配给当前代和新一代种群内存空间 */
nbytes = popsize*sizeof(struct individual);
if((oldpop = (struct individual *) malloc(nbytes)) == NULL)
nomemory("oldpop");
if((newpop = (struct individual *) malloc(nbytes)) == NULL)
nomemory("newpop");
/* 分配给染色体内存空间 */
nbytes = chromsize*sizeof(unsigned);
for(j = 0; j < popsize; j++)
{
if((oldpop[j].chrom = (unsigned *) malloc(nbytes)) == NULL)
nomemory("oldpop chromosomes");
if((newpop[j].chrom = (unsigned *) malloc(nbytes)) == NULL)
nomemory("newpop chromosomes");
}
if((bestfit.chrom = (unsigned *) malloc(nbytes)) == NULL)
nomemory("bestfit chromosome");

}

void freeall() /* 释放内存空间 */
{
int i;
for(i = 0; i < popsize; i++)
{
free(oldpop[i].chrom);
free(newpop[i].chrom);
}
free(oldpop);
free(newpop);
free(bestfit.chrom);
}

void nomemory(string) /* 内存不足，退出*/
char *string;
{
fprintf(outfp,"malloc: out of memory making %s!!\n",string);
exit(-1);
}

[mochen5460]

void report() /* 输出种群统计结果 */
{
void repchar(), skip();
void writepop(), writestats();
repchar(outfp,"-",80);
skip(outfp,1);
if(printstrings == 1)
{
repchar(outfp," ",((80-17)/2));
fprintf(outfp,"模拟计算统计报告 \n");
fprintf(outfp, "世代数 %3d", gen);
repchar(outfp," ",(80-28));
fprintf(outfp, "世代数 %3d\n", (gen+1));
fprintf(outfp,"个体 染色体编码");
repchar(outfp," ",lchrom-5);
fprintf(outfp,"适应度 父个体 交叉位置 ");
fprintf(outfp,"染色体编码 ");
repchar(outfp," ",lchrom-5);
fprintf(outfp,"适应度\n");
repchar(outfp,"-",80);
skip(outfp,1);
writepop(outfp);
repchar(outfp,"-",80);
skip(outfp,1);
}
fprintf(outfp,"第 %d 代统计: \n",gen);
fprintf(outfp,"总交叉操作次数 = %d, 总变异操作数 = %d\n",ncross,nmutation);
fprintf(outfp," 最小适应度：%f 最大适应度：%f 平均适应度 %f\n", min,max,avg);
fprintf(outfp," 迄今发现最佳个体 => 所在代数： %d ", bestfit.generation);
fprintf(outfp," 适应度：%f 染色体：", bestfit.fitness);
writechrom((&bestfit)->chrom);
fprintf(outfp," 对应的变量值: %f", bestfit.varible);
skip(outfp,1);
repchar(outfp,"-",80);
skip(outfp,1);
}

void writepop()
{
struct individual *pind;
int j;
for(j=0; j<popsize; j++)
{
fprintf(outfp,"%3d) ",j+1);
/* 当前代个体 */
pind = &(oldpop[j]);
writechrom(pind->chrom);
fprintf(outfp," %8f | ", pind->fitness);
/* 新一代个体 */
pind = &(newpop[j]);
fprintf(outfp,"(%2d,%2d) %2d ",
pind->parent[0], pind->parent[1], pind->xsite);
writechrom(pind->chrom);
fprintf(outfp," %8f\n", pind->fitness);
}
}

void writechrom(chrom) /* 输出染色体编码 */
unsigned *chrom;
{
int j, k, stop;
unsigned mask = 1, tmp;
for(k = 0; k < chromsize; k++)
{
tmp = chrom[k];
if(k == (chromsize-1))
stop = lchrom - (k*(8*sizeof(unsigned)));
else
stop =8*sizeof(unsigned);
for(j = 0; j < stop; j++)
{
if(tmp&mask)
fprintf(outfp,"1");
else
fprintf(outfp,"0");
tmp = tmp>>1;
}
}
}

void preselect()
{
int j;
sumfitness = 0;
for(j = 0; j < popsize; j++) sumfitness += oldpop[j].fitness;
}

int select() /* 轮盘赌选择*/
{
extern float randomperc();
float sum, pick;
int i;
pick = randomperc();
sum = 0;
if(sumfitness != 0)
{
for(i = 0; (sum < pick) && (i < popsize); i++)
sum += oldpop[i].fitness/sumfitness;
}
else
i = rnd(1,popsize);
return(i-1);
}

void statistics(pop) /* 计算种群统计数据 */
struct individual *pop;
{
int i, j;
sumfitness = 0.0;
min = pop[0].fitness;
max = pop[0].fitness;
/* 计算最大、最小和累计适应度 */
for(j = 0; j < popsize; j++)
{
sumfitness = sumfitness + pop[j].fitness;
if(pop[j].fitness > max) max = pop[j].fitness;
if(pop[j].fitness < min) min = pop[j].fitness;
/* new global best-fit individual */
if(pop[j].fitness > bestfit.fitness)
{
for(i = 0; i < chromsize; i++)
bestfit.chrom[i] = pop[j].chrom[i];
bestfit.fitness = pop[j].fitness;
bestfit.varible = pop[j].varible;
bestfit.generation = gen;
}
}
/* 计算平均适应度 */
avg = sumfitness/popsize;
}

void title()
{
printf("SGA Optimizer Jean.Timex\n");
}

void repchar (outfp,ch,repcount)
FILE *outfp;
char *ch;
int repcount;
{
int j;
for (j = 1; j <= repcount; j++) fprintf(outfp,"%s", ch);
}

void skip(outfp,skipcount)
FILE *outfp;
int skipcount;
{
int j;
for (j = 1; j <= skipcount; j++) fprintf(outfp,"\n");
}

void objfunc(critter) /* 计算适应度函数值 */
struct individual *critter;
{
unsigned mask=1;
unsigned bitpos;
unsigned tp;
double pow(), bitpow ;
int j, k, stop;
critter->varible = 0.0;
for(k = 0; k < chromsize; k++)
{
if(k == (chromsize-1))
stop = lchrom-(k*(8*sizeof(unsigned)));
else
stop =8*sizeof(unsigned);
tp = critter->chrom[k];
for(j = 0; j < stop; j++)
{
bitpos = j + (8*sizeof(unsigned))*k;
if((tp&mask) == 1)
{
bitpow = pow(2.0,(double) bitpos);
critter->varible = critter->varible + bitpow;
}
tp = tp>>1;
}
}
critter->varible =-1+critter->varible*3/(pow(2.0,(double)lchrom)-1);
critter->fitness =critter->varible*sin(critter->varible*10*atan(1)*4)+2.0;
}

void mutation(unsigned *child) /*变异操作*/
{
int j, k, stop;
unsigned mask, temp = 1;
for(k = 0; k < chromsize; k++)
{
mask = 0;
if(k == (chromsize-1))
stop = lchrom - (k*(8*sizeof(unsigned)));
else
stop = 8*sizeof(unsigned);
for(j = 0; j < stop; j++)
{
if(flip(pmutation))
{
mask = mask|(temp<<j);
nmutation++;
}
}
child[k] = child[k]^mask;
}
}

[mochen5460]

int crossover (unsigned *parent1, unsigned *parent2, unsigned *child1, unsigned *child2)
/* 由两个父个体交叉产生两个子个体 */
{
int j, jcross, k;
unsigned mask, temp;
/*//////////////////////自适应交叉概率*/
double fp_fitness = 0;
if(gen!=0)
{
if(oldpop[temp_mate1].fitness>=oldpop[temp_mate2].fitness)
fp_fitness = oldpop[temp_mate1].fitness;
else
fp_fitness = oldpop[temp_mate2].fitness;
if(fp_fitness>=avg)
pcross = pc1-(pc1-pc2)*(fp_fitness-avg)/(max-avg);
else
pcross = pc2;
}
/*///////////////////////////////////*/
if(flip(pcross))
{
jcross = rnd(1 ,(lchrom - 1));/* Cross between 1 and l-1 */
ncross++;
for(k = 1; k <= chromsize; k++)
{
if(jcross >= (k*(8*sizeof(unsigned))))
{
child1[k-1] = parent1[k-1];
child2[k-1] = parent2[k-1];
}
else if((jcross < (k*(8*sizeof(unsigned)))) && (jcross > ((k-1)*(8*sizeof(unsigned)))))
{
mask = 1;
for(j = 1; j <= (jcross-1-((k-1)*(8*sizeof(unsigned)))); j++)
{
temp = 1;
mask = mask<<1;
mask = mask|temp;
}
child1[k-1] = (parent1[k-1]&mask)|(parent2[k-1]&(~mask));
child2[k-1] = (parent1[k-1]&(~mask))|(parent2[k-1]&mask);
}
else
{
child1[k-1] = parent2[k-1];
child2[k-1] = parent1[k-1];
}
}
}
else
{
for(k = 0; k < chromsize; k++)
{
child1[k] = parent1[k];
child2[k] = parent2[k];
}
jcross = 0;
}
return(jcross);
}

void advance_random() /* 产生55个随机数 */
{
int j1;
double new_random;
for(j1 = 0; j1 < 24; j1++)
{
new_random = oldrand[j1] - oldrand[j1+31];
if(new_random < 0.0) new_random = new_random + 1.0;
oldrand[j1] = new_random;
}
for(j1 = 24; j1 < 55; j1++)
{
new_random = oldrand [j1] - oldrand [j1-24];
if(new_random < 0.0) new_random = new_random + 1.0;
oldrand[j1] = new_random;
}
}

int flip(float prob) /* 以一定概率产生0或1 */
{
float randomperc();
if(randomperc() <= prob)
return(1);
else
return(0);
}

void randomize() /* 设定随机数种子并初始化随机数发生器 */
{
float randomseed;
int j1;
for(j1=0; j1<=54; j1++)
oldrand[j1] = 0.0;
jrand=0;
randomseed=0.5;
warmup_random(randomseed);
}

double randomnormaldeviate() /* 产生随机标准差 */
{
double sqrt(), log(), sin(), cos();
float randomperc();
double t, rndx1;
if(rndcalcflag)
{ rndx1 = sqrt(- 2.0*log((double) randomperc()));
t = 6.2831853072 * (double) randomperc();
rndx2 = rndx1 * sin(t);
rndcalcflag = 0;
return(rndx1 * cos(t));
}
else
{
rndcalcflag = 1;
return(rndx2);
}
}

float randomperc() /*与库函数random()作用相同, 产生[0,1]之间一个随机数 */
{
jrand++;
if(jrand >= 55)
{
jrand = 1;
advance_random();
}
return((float) oldrand[jrand]);
}

int rnd(low, high) /*在整数low和high之间产生一个随机整数*/
int low,high;
{
int i;
float randomperc();
if(low >= high)
i = low;
else
{
i = (randomperc() * (high - low + 1)) + low;
if(i > high) i = high;
}
return(i);
}


void warmup_random(float random_seed) /* 初始化随机数发生器*/
{
int j1, ii;
double new_random, prev_random;

oldrand[54] = random_seed;
new_random = 0.000000001;
prev_random = random_seed;
for(j1 = 1 ; j1 <= 54; j1++)
{
ii = (21*j1)%54;
oldrand[ii] = new_random;
new_random = prev_random-new_random;
if(new_random<0.0) new_random = new_random + 1.0;
prev_random = oldrand[ii];
}
advance_random();
advance_random();
advance_random();
jrand = 0;
}


main(argc,argv) /* 主程序 */
int argc;
char *argv[];
{
struct individual *temp;
FILE *fopen();
void title();
char *malloc();
if((outfp = fopen(argv[1],"w")) == NULL)
{
fprintf(stderr,"Cannot open output file %s\n",argv[1]);
exit(-1);
}
title();
maxruns=10;
for(run=1; run<=maxruns; run++)
{
initialize();
for(gen=0; gen<maxgen; gen++)
{
fprintf(outfp,"\n第 %d / %d 次运行: 当前代为 %d, 共 %d 代\n", run,maxruns,gen,maxgen);
/* 产生新一代 */
generation();
/* 计算新一代种群的适应度统计数据 */
statistics(newpop);
/* 输出新一代统计数据 */
report();
temp = oldpop;
oldpop = newpop;
newpop = temp;
}
freeall();
}
}

[takashikoo]

是基于哪个 实例 的?

[medie2005]

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。

1.遗传算法与自然选择

达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。这种学说认为，生物要生存下去，就必须进行生存斗争。生存斗争包括种内斗争、种间斗争以及生物跟无机环境之间的斗争三个方面。在生存斗争中，具有有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易被淘汰，产生后代的机会也少的多。因此，凡是在生存斗争中获胜的个体都是对环境适应性比较强的。达尔文把这种在生存斗争中适者生存，不适者淘汰的过程叫做自然选择。它表明，遗传和变异是决定生物进化的内在因素。自然界中的多种生物之所以能够适应环境而得以生存进化，是和遗传和变异生命现象分不开的。正是生物的这种遗传特性，使生物界的物种能够保持相对的稳定；而生物的变异特性，使生物个体产生新的性状，以致于形成新的物种，推动了生物的进化和发展。

遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它的思想源于生物遗传学和适者生存的自然规律，是具有“生存＋检测”的迭代过程的搜索算法。遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；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、控制参数设定五个要素组成了遗传算法的核心内容。 作为一种新的全局优化搜索算法，遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。

2.遗传算法的基本步骤


我们习惯上把Holland1975年提出的GA称为传统的GA。它的主要步骤如下：

编码：GA在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据，这些串结构数据的不同组合便构成了不同的点。

初始群体的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体， N个个体构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。

适应性值评估检测：适应性函数表明个体或解的优劣性。不同的问题，适应性函数的定义方式也不同。

选择：选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代为下一代繁殖子孙。遗传算法通过选择过程体现这一思想，进行选择的原则是适应性强的个体为下一代贡献一个或多个后代的概率大。选择实现了达尔文的适者生存原则。

交换：交换操作是遗传算法中最主要的遗传操作。通过交换操作可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。

变异：变异首先在群体中随机选择一个个体，对于选中的个体以一定的概率随机地改变串结构数据中某个串的值。同生物界一样，GA中变异发生的概率很低，通常取值在0.001~0.01之间。变异为新个体的产生提供了机会。

GA的计算过程为：

选择编码方式

产生初始群体

计算初始群体的适应性值

如果不满足条件 {
选择
交换
变异
计算新一代群体的适应性值
}

[medie2005]

======================================================
自适应 到底是怎么 自适应 的???
======================================================
答案就是：“遗传算法以一种群体中的所有个体为对象，并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中，选择、交叉和变异构成了遗传算法的遗传操作；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、控制参数设定五个要素组成了遗传算法的核心内容。”

遗传算法主要模拟了自然界的自然选择，通过：将参数编码、设定初始群体、设计适应度函数、设计遗传操作、设定控制参数这五个主要步骤来实现的随机化搜索方法。

[takashikoo]

如何 实现 最基本的 变异 和 交叉 概率的自适应喃?

[medie2005]

首先，你得将参数编码。

对于变异，很简单，你只需要在实数编码的加上一个随机数。
对于交叉，也不难，就是高中生物学的染色体配对。

举例来说：
A,B,C,D,E,F,G,H,I,J是一组实数，分别构成了父代的两个基因个体。

那么：
在一处随机位置交换基因链的后半部分，生成新的子代基因个体，就是交叉。

比如在第三个位置交叉，就有：

父代1 ABC|DE \ / 子代1 ABC|IJ
| ==> |
父代2 FGH|IJ / \ 子代2 FGH|DE

当然变异与交叉的实现基础是参数已经编码。

另外，交叉算法最好还是与具体问题结合，尽量争取使算法有较高的几率产生比父代更好的子代。不能生搬硬套，如与具体问题脱钩，胡乱交叉，就和纯粹的Random没什么区别了。所以必须先要设计一个有较高几率产生更优秀子代的算法。

[takashikoo]

如何编码。选二进制编码方案.编码 概念 是什么.
适应度函数 是什么..
现在我概念什么的都有些混淆了.看了下上面c写的 但是还是不是很清楚..
能不能加q或者msn详细的指导我下 非常感谢了..
我q:115150134
msn:[e-mail]

[takashikoo]

void initpop() /* 随机初始化种群 */
{
int j, j1, k, stop;
unsigned mask = 1;
for(j = 0; j < popsize; j++)
{
for(k = 0; k < chromsize; k++)
{
oldpop[j].chrom[k] = 0;
if(k == (chromsize-1))
stop = lchrom - (k*(8*sizeof(unsigned)));
else
stop =8*sizeof(unsigned);
for(j1 = 1; j1 <= stop; j1++)
{
oldpop[j].chrom[k] = oldpop[j].chrom[k]<<1;
if(flip(0.5))
oldpop[j].chrom[k] = oldpop[j].chrom[k]|mask;
}
}
oldpop[j].parent[0] = 0; /* 初始父个体信息 */
oldpop[j].parent[1] = 0;
oldpop[j].xsite = 0;
objfunc(&(oldpop[j])); /* 计算初始适应度*/
}
}
if(flip(0.5))
oldpop[j].chrom[k] = oldpop[j].chrom[k]|mask;
这小段是什么意思啊？？

[bigc2000]

强悍！

[bigc2000]

竟然还能找到这么一个 古老的C版本写的程序

[arrowcy]

自适应的实现方法很多，最简单的是直接根据迭代次数按一定的函数规律计算出参数取值，更为复杂的是统计群体信息，然后再使用一定的函数来计算出参数取值。不管使用何种方法，只要现在别人的论文上找到相应的公式，或者自己设计一个，然后就可以很容易的在基本遗传算法的基础上修改了

[leo603220]

上面贴的代码有问题，在自适应交叉率、变异率那有错误！！