遗传算法实例如何用Ｃ语言实现遗传算法的实际应用？

遗传算法求解?

遗传算法在很多领域都得到应用；从神经网络研究的角度上考虑，最关心的是遗传算法在神经网络的应用。

在遗传算法应用中，应先明确其特点和关键问题，才能对这种算法深入了解，灵活应用，以及进一步研究开发。

一、遗传算法的特点 1．遗传算法从问题解的中集开始嫂索，而不是从单个解开始。

这是遗传算法与传统优化算法的极大区别。

传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。

遗传算法从串集开始搜索，复盖面大，利于全局择优。

2．遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。

由于遗传算法使用适应值这一信息进行搜索，并不需要问题导数等与问题直接相关的信息。

遗传算法只需适应值和串编码等通用信息，故几乎可处理任何问题。

3．遗传算法有极强的容错能力 遗传算法的初始串集本身就带有大量与最优解甚远的信息；通过选择、交叉、变异操作能迅速排除与最优解相差极大的串；这是一个强烈的滤波过程；并且是一个并行滤波机制。

故而，遗传算法有很高的容错能力。

4．遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。

这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的复盖。

5．遗传算法具有隐含的并行性 遗传算法的基础理论是图式定理。

它的有关内容如下： (1)图式(Schema)概念 一个基因串用符号集{0，1，*}表示，则称为一个因式；其中*可以是0或1。

例如：H=1x x 0 x x是一个图式。

(2)图式的阶和长度 图式中0和1的个数称为图式的阶，并用0(H)表示。

图式中第1位数字和最后位数字间的距离称为图式的长度，并用δ(H)表示。

对于图式H＝1x x0x x，有0(H)＝2，δ(H)＝4。

(3)Holland图式定理 低阶，短长度的图式在群体遗传过程中将会按指数规律增加。

当群体的大小为n时，每代处理的图式数目为0(n3)。

遗传算法这种处理能力称为隐含并行性(Implicit Parallelism)。

它说明遗传算法其内在具有并行处理的特质。

二、遗传算法的应用关键 遗传算法在应用中最关键的问题有如下3个 1．串的编码方式 这本质是问题编码。

一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串。

串长度及编码形式对算法收敛影响极大。

2．适应函数的确定 适应函数(fitness function)也称对象函数(object function)，这是问题求解品质的测量函数；往往也称为问题的“环境”。

一般可以把问题的模型函数作为对象函数；但有时需要另行构造。

3．遗传算法自身参数设定 遗传算法自身参数有3个，即群体大小n、交叉概率Pc和变异概率Pm。

群体大小n太小时难以求出最优解，太大则增长收敛时间。

一般n＝30-160。

交叉概率Pc太小时难以向前搜索，太大则容易破坏高适应值的结构。

一般取Pc=0.25-0.75。

变异概率Pm太小时难以产生新的基因结构，太大使遗传算法成了单纯的随机搜索。

一般取Pm＝0．01—0．2。

三、遗传算法在神经网络中的应用 遗传算法在神经网络中的应用主要反映在3个方面：网络的学习，网络的结构设计，网络的分析。

1．遗传算法在网络学习中的应用 在神经网络中，遗传算法可用于网络的学习。

这时，它在两个方面起作用 (1)学习规则的优化 用遗传算法对神经网络学习规则实现自动优化，从而提高学习速率。

(2)网络权系数的优化 用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度。

2．遗传算法在网络设计中的应用 用遗传算法设计一个优秀的神经网络结构，首先是要解决网络结构的编码问题；然后才能以选择、交叉、变异操作得出最优结构。

编码方法主要有下列3种： (1)直接编码法 这是把神经网络结构直接用二进制串表示，在遗传算法中，“染色体”实质上和神经网络是一种映射关系。

通过对“染色体”的优化就实现了对网络的优化。

(2)参数化编码法 参数化编码采用的编码较为抽象，编码包括网络层数、每层神经元数、各层互连方式等信息。

一般对进化后的优化“染色体”进行分析，然后产生网络的结构。

(3)繁衍生长法 这种方法不是在“染色体”中直接编码神经网络的结构，而是把一些简单的生长语法规则编码入“染色体”中；然后，由遗传算法对这些生长语法规则不断进行改变，最后生成适合所解的问题的神经网络。

这种方法与自然界生物地生长进化相一致。

3．遗传算法在网络分析中的应用 遗传算法可用于分析神经网络。

神经网络由于有分布存储等特点，一般难以从其拓扑结构直接理解其功能。

遗传算法可对神经网络进行功能分析，性质分析，状态分析。

遗传算法虽然可以在多种领域都有实际应用，并且也展示了它潜力和宽广前景；但是，遗传算法还有大量的问题需要研究，目前也还有各种不足。

首先，在变量多，取值范围大或无给定范围时，收敛速度下降；其次，可找到最优解附近，但无法精确确定最扰解位置；最后，遗传算法的参数选择尚未有定量方法。

对遗传算法，还需要进一步研究其数学基础理论；还需要在理论上证明它与其它优化技术的优劣及原因；还需研究硬件化的遗传算法；以及遗传算法的通用编程和形式等。

如何通俗易懂地解释遗传算法？有什么例子

相信遗传算法的官方定义你已经看过，就我个人理解 遗传算法的思想是物竞天择，优胜劣汰。

你可以理解为，当我们解某道数学题时，如果这个题太难我们没法列公式算出正确答案，我们有时候也可以蒙答案去反过来看看是否满足这道题提干的要求，如果能满足，说明我们蒙的答案是正确的。

但是蒙对答案要试很多遍，每次随机的去试数可能要试1000次才能蒙对。

可是遗传算法可以让我们科学的去蒙答案，每次蒙的答案都会比上一次蒙的更接近正确答案，这样可能蒙十几次我们就找到正确答案了。

希望我的回答对你理解GA有所帮助，望采纳

如何用Ｃ语言实现遗传算法的实际应用？

具体问题具体对待，关键看你用遗传算法实现什么问题，不同的问题程序不一样，但大的框架差不多都，种群初始化，参数设置，交叉算子、变异算子、选择算子，适应度函数设计。

建议用数组实现，最好先大概用文字写出遗传整体结构，再实际编程 我刚做过，如果只是学习的用而不是现实工程项目，不难，