class TPopulation{ // 群体类定义 public: int size; // Size of population: n int lchrom; // Length of chromosome: l float sumfitness, average; INDIVIDUAL *fmin, *fmax; INDIVIDUAL *pop;
class TSGA : public TPopulation{ // TSGA类派生于群体类 public: float pcross; // Probability of Crossover float pmutation; // Probability of Mutation int gen; // Counter of generation
由于GA是一个概率过程，所以每次迭代的情况是不一样的；系统参数不同，迭代情况 也不同。在实验中参数一般选取如下：个体数n=50-200，变异概率Pm=0.03, 交叉概率Pc= 0.6。变异概率太大，会导致不稳定。 参考文献 ● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine Learning. Addison-Wesley, Reading, MA, 1989 ● 陈根社、陈新海，"遗传算法的研究与进展"，《信息与控制》，Vol.23, NO.4, 1994, PP215-222 ● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO .1, 1994, PP39-53 ● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ l Networks, Vol.5, NO.1, 1994, PP102-119 ● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ al Networks, Vol.5, NO.1, 1994, PP102-119 ● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101 ● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg orithms: A Markov chain analysis. in Parallel Problem Solving from Nat ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991 , PP4-12 ● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu ral Networks, Vol.5, NO.1, 1994, PP130-147 ● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V ol.5, NO.1, 1994, PP73-81 ● 方建安、邵世煌，"采用遗传算法自学习模型控制规则"，《自动化理论、技术与应 用》，中国自动化学会 第九届青年学术年会论文集，1993, PP233-238 ● 方建安、邵世煌，"采用遗传算法学习的神经网络控制器"，《控制与决策》，199 3,8(3), PP208-212 ● 苏素珍、土屋喜一，"使用遗传算法的迷宫学习"，《机器人》，Vol.16,NO.5,199 4, PP286-289 ● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 ● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C, Vol.24, NO.1, PP39-47, 1994 ● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13 39, 1993 作者：nova
好像很多地方都可以用的，比如游戏？
到google搜索一下
用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性
的提高。这一点体现了自然界中"物竞天择、适者生存"进化过程。1962年Holland教授首次
提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方
面，并奠定了坚实的理论基础。 用遗传算法解决问题时，首先要对待解决问题的模型结构
和参数进行编码，一般用字符串表示，这个过程就将问题符号化、离散化了。也有在连续
空间定义的GA(Genetic Algorithm in Continuous Space, GACS)，暂不讨论。 一个串行运算的遗传算法(Seguential Genetic Algoritm, SGA)按如下过程进行： (1) 对待解决问题进行编码；
(2) 随机初始化群体X(0):=(x1, x2, … xn)；
(3) 对当前群体X(t)中每个个体xi计算其适应度F(xi)，适应度表示了该个体的性能好
坏；
(4) 应用选择算子产生中间代Xr(t)；
(5) 对Xr(t)应用其它的算子，产生新一代群体X(t+1)，这些算子的目的在于扩展有限
个体的覆盖面，体现全局搜索的思想；
(6) t:=t+1；如果不满足终止条件继续(3)。
GA中最常用的算子有如下几种：
(1) 选择算子(selection/reproduction): 选择算子从群体中按某一概率成对选择个
体，某个体xi被选择的概率Pi与其适应度值成正比。最通常的实现方法是轮盘赌(roulett
e wheel)模型。
(2) 交叉算子(Crossover): 交叉算子将被选中的两个个体的基因链按概率pc进行交叉
，生成两个新的个体，交叉位置是随机的。其中Pc是一个系统参数。
(3) 变异算子(Mutation): 变异算子将新个体的基因链的各位按概率pm进行变异，对
二值基因链(0,1编码)来说即是取反。
上述各种算子的实现是多种多样的，而且许多新的算子正在不断地提出，以改进GA的
某些性能。系统参数(个体数n,基因链长度l,交叉概率Pc,变异概率Pm等)对算法的收敛速度
及结果有很大的影响，应视具体问题选取不同的值。
GA的程序设计应考虑到通用性，而且要有较强的适应新的算子的能力。OOP中的类的继
承为我们提供了这一可能。
定义两个基本结构：基因(ALLELE)和个体(INDIVIDUAL)，以个体的集合作为群体类TP
opulation的数据成员，而TSGA类则由群体派生出来，定义GA的基本操作。对任一个应用实
例，可以在TSGA类上派生，并定义新的操作。 TPopulation类包含两个重要过程：
FillFitness: 评价函数，对每个个体进行解码(decode)并计算出其适应度值，具体操
作在用户类中实现。
Statistic: 对当前群体进行统计，如求总适应度sumfitness、平均适应度average、最好
个体fmax、最坏个体fmin等。 TSGA类在TPopulation类的基础上派生，以GA的系统参数为构造函数的参数，它有4个
重要的成员函数：
Select: 选择算子，基本的选择策略采用轮盘赌模型（如图2）。轮盘经任意旋转停止
后指针所指向区域被选中，所以fi值大的被选中的概率就大。
Crossover: 交叉算子，以概率Pc在两基因链上的随机位置交换子串。
Mutation: 变异算子，以概率Pm对基因链上每一个基因进行随机干扰(取反)。
Generate: 产生下代，包括了评价、统计、选择、交叉、变异等全部过程，每运行一
次，产生新的一代。
SGA的结构及类定义如下(用C++编写)：
[code] typedef char ALLELE; // 基因类型
typedef struct{
ALLELE *chrom;
float fitness; // fitness of Chromosome
}INDIVIDUAL; // 个体定义
class TPopulation{ // 群体类定义
public:
int size; // Size of population: n
int lchrom; // Length of chromosome: l
float sumfitness, average; INDIVIDUAL *fmin, *fmax;
INDIVIDUAL *pop;
TPopulation(int popsize, int strlength);
~TPopulation();
inline INDIVIDUAL &Individual(int i){ return pop[i];};
void FillFitness(); // 评价函数
virtual void Statistics(); // 统计函数
};
class TSGA : public TPopulation{ // TSGA类派生于群体类
public:
float pcross; // Probability of Crossover
float pmutation; // Probability of Mutation
int gen; // Counter of generation
TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
TPopulation(size, strlength)
{gen=0; pcross=pc; pmutation=pm; } ;
virtual INDIVIDUAL& Select();
virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2,
INDIVIDUAL &child1, INDIVIDUAL &child2);
&child1, INDIVIDUAL &child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate(); // 产生新的一代
};
用户GA类定义如下：
class TSGAfit : public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
}; [/code]
由于GA是一个概率过程，所以每次迭代的情况是不一样的；系统参数不同，迭代情况
也不同。在实验中参数一般选取如下：个体数n=50-200，变异概率Pm=0.03, 交叉概率Pc=
0.6。变异概率太大，会导致不稳定。 参考文献
● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine Learning. Addison-Wesley, Reading, MA, 1989
● 陈根社、陈新海，"遗传算法的研究与进展"，《信息与控制》，Vol.23,
NO.4, 1994, PP215-222
● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101
● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markov chain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991
, PP4-12
● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5, NO.1, 1994, PP130-147
● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
● 方建安、邵世煌，"采用遗传算法自学习模型控制规则"，《自动化理论、技术与应
用》，中国自动化学会 第九届青年学术年会论文集，1993, PP233-238
● 方建安、邵世煌，"采用遗传算法学习的神经网络控制器"，《控制与决策》，199
3,8(3), PP208-212
● 苏素珍、土屋喜一，"使用遗传算法的迷宫学习"，《机器人》，Vol.16,NO.5,199
4, PP286-289
● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con
troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993 作者：nova