Java 测试函数在遗传算法中的应用
我已经为种群进化(遗传算法实现)编写了以下代码: Individual.javaJava 测试函数在遗传算法中的应用,java,algorithm,genetic-programming,genetics,genetic,Java,Algorithm,Genetic Programming,Genetics,Genetic,我已经为种群进化(遗传算法实现)编写了以下代码: Individual.java import java.util.Random; public class Individual { public static int SIZE = 500; private int[] genes = new int[SIZE]; private double fitnessValue = 0.0; // Getters and Setters public vo
import java.util.Random;
public class Individual {
public static int SIZE = 500;
private int[] genes = new int[SIZE];
private double fitnessValue = 0.0;
// Getters and Setters
public void setGene(int index,int gene){
this.genes[index] = gene;
}
public int getGene(int index){
return this.genes[index];
}
public void setFitnessValue(double fitness){
this.fitnessValue = fitness;
}
public double getFitnessValue(){
return this.fitnessValue;
}
//Function to generate a new individual with random set of genes
public void generateIndividual(){
Random rand = new Random();
for(int i=0;i<SIZE;i++){
this.setGene(i, rand.nextInt(2));
}
}
//Mutation Function
public void mutate(){
Random rand = new Random();
int index = rand.nextInt(SIZE);
this.setGene(index, 1-this.getGene(index)); // Flipping value of gene
}
//Function to set Fitness value of an individual
public int evaluate(){
int fitness = 0;
for(int i=0; i<SIZE; ++i) {
fitness += this.getGene(i);
}
this.setFitnessValue(fitness);
return fitness;
}
}
import java.util.Random;
public class Population {
final static int ELITISM = 5;
final static int POP_SIZE = 200+ELITISM; //Population size + Elitism (1)
final static int MAX_ITER = 10000;
final static double MUTATION_RATE = 0.05;
final static double CROSSOVER_RATE = 0.7;
public static int generation = 2;
private static Random rand = new Random();
private double totalFitness;
private Individual[] pop;
//Constructor
public Population(){
pop = new Individual[POP_SIZE];
//Initialising population
for(int i=0;i<POP_SIZE;i++){
pop[i] = new Individual();
pop[i].generateIndividual();
}
//Evaluating current population
this.evaluate();
}
//Storing new generation in population
public void setPopulation(Individual[] newPop) {
System.arraycopy(newPop, 0, this.pop, 0, POP_SIZE);
}
//Method to find total fitness of population
public double evaluate(){
this.totalFitness = 0.0;
for (int i = 0; i < POP_SIZE; i++) {
this.totalFitness += pop[i].evaluate();
}
return this.totalFitness;
}
//Getters
public Individual getIndividual(int index) {
return pop[index];
}
//Function to find fittest individual for elitism
public Individual getFittest() {
Individual fittest = pop[0];
for (int i = 0; i < POP_SIZE; i++) {
if (fittest.getFitnessValue() <= getIndividual(i).getFitnessValue()) {
fittest = getIndividual(i);
}
}
return fittest;
}
//CROSSOVER Function : Takes 2 individuals and returns 2 new individuals
public static Individual[] crossover(Individual indiv1,Individual indiv2) {
Individual[] newIndiv = new Individual[2];
newIndiv[0] = new Individual();
newIndiv[1] = new Individual();
int randPoint = rand.nextInt(Individual.SIZE);
int i;
for (i=0; i<randPoint; ++i) {
newIndiv[0].setGene(i, indiv1.getGene(i));
newIndiv[1].setGene(i, indiv2.getGene(i));
}
for (; i<Individual.SIZE; ++i) {
newIndiv[0].setGene(i, indiv2.getGene(i));
newIndiv[1].setGene(i, indiv1.getGene(i));
}
return newIndiv;
}
//Roulette Wheel Selection Function
public Individual rouletteWheelSelection() {
double randNum = rand.nextDouble() * this.totalFitness;
int idx;
for (idx=0; idx<POP_SIZE && randNum>0; idx++) {
randNum -= pop[idx].getFitnessValue();
}
return pop[idx-1];
}
//Main method
public static void main(String[] args) {
Population pop = new Population();
Individual[] newPop = new Individual[POP_SIZE];
Individual[] indiv = new Individual[2];
//Current Population Stats
System.out.print("Generation #1");
System.out.println("Total Fitness = "+pop.totalFitness);
System.out.println("Best Fitness = "+pop.getFittest().getFitnessValue());
int count;
for(int iter=0;iter<MAX_ITER;iter++){
count =0;
//Elitism
newPop[count] = pop.getFittest();
count++;
//Creating new population
while(count < POP_SIZE){
//Selecting parents
indiv[0] = pop.rouletteWheelSelection();
indiv[1] = pop.rouletteWheelSelection();
// Crossover
if (rand.nextDouble() < CROSSOVER_RATE ) {
indiv = crossover(indiv[0], indiv[1]);
}
// Mutation
if ( rand.nextDouble() < MUTATION_RATE ) {
indiv[0].mutate();
}
if ( rand.nextDouble() < MUTATION_RATE ) {
indiv[1].mutate();
}
// add to new population
newPop[count] = indiv[0];
newPop[count+1] = indiv[1];
count += 2;
}
// Saving new population in pop
pop.setPopulation(newPop);
//Evaluating new population
pop.evaluate();
System.out.println("Generation #"+ generation++);
System.out.print("Total Fitness = " + pop.totalFitness);
System.out.println(" ; Best Fitness = " +pop.getFittest().getFitnessValue());
}
Individual bestIndiv = pop.getFittest();
}
}
import java.util.Random;
公共阶级个人{
公共静态int SIZE=500;
私有int[]基因=新int[大小];
私人双重装修价值=0.0;
//接球手和接球手
公共空间集合基因(int索引,int基因){
这个。基因[指数]=基因;
}
公共整数getGene(整数索引){
返回这个。基因[索引];
}
public void setFitnessValue(双适应度){
this.fitnessValue=适合度;
}
公共双getFitnessValue(){
返回此.fitnessValue;
}
//功能生成一个具有随机基因集的新个体
公共无效生成个人(){
Random rand=新的Random();
对于(int i=0;i)基因应该代表什么
我假设你的遗传算法的实现是正确的,因为这超出了这个问题的范围
现在,你的适应度函数被定义为所有基因的总和:
double fitness = 0;
for(int i=0; i<SIZE; ++i) {
fitness += this.getGene(i);
}
this.setFitnessValue(fitness);
当然,适当的导入位于课程的顶部:
import static java.lang.Math.*;
如果你的程序确实针对适合度进行了优化,那么它应该收敛到x=PI
。我很快编写了自己的程序(承认非常难看),它确实正确收敛
还有一件事:基因应该是一个double[]
而不是int[]
,因为当x
只能是int
时,增量优化函数并不能真正起作用
为什么是基因阵列?
我认为你的作业要求你使用一个double
数组作为基因,这样你就得到了一个程序,可以用任意数量的变量优化任何函数。在编程中,编写可用于多种不同用途的代码总是一个好主意
请随时提问!
我试图尽可能清楚地解释所有问题,但如果您不明白,请随意提问!这与您几小时前发布的问题有何不同?您可以编辑以前的问题并添加此代码,而不是创建新问题。这是Easom函数特有的,但现在我想如果我任何函数的规划我都可以自己做。所以现在的问题不是函数特定的。我不明白这段代码试图实现什么。遗传算法变异个体以尝试提高其适应度。现在你的适应度被定义为基因的总和参见evaluate()
(糟糕的命名顺便说一句)。个人的基因不是越来越高吗?你链接的维基百科页面上的函数都是有两个输入的函数,x和y。我建议给你的个人两个基因,我会将适合度定义为你正在测试的函数的结果。你能告诉我我的假设是否正确,这样我就可以写了吗找到答案了吗?我指的那本书把y作为0,把2个变量函数变成了一个更简单的单变量函数。例如,它在Easom fn中取y=0,并使其在x=π时达到全局最大值。我不明白你的意思是取2个基因(你是说2组基因?)但是,是的,适应度值肯定是要检查的测试函数的结果。继续。我在评估中所做的事情,只是通过向每个人分配适应度值来测试代码,以确保程序的所有部分工作正常,我只需将适应度值的分配方法更改为in每个人。你能详细说明两个基因的含义吗?谢谢你的回答。我的问题是,如果我们只使用一个元素的基因阵列,那么交叉就没有意义了(意味着一些基因来自父母一方,其余来自另一方)。新一代个体应该拥有父母的品质(基因),除了那些变异的(非常低的概率0.001-0.05)。如果你检查它是否适用于一个变量,那么你可以尝试使用更多变量,例如,你可以说y=genes[1]
。是的,这正是我想问的。我是否应该自己做一个函数(例如,将个人的所有基因相加,取mod 5并使其等于x)然后根据它找到个体的适应度,或者我应该把x作为其域中的一个随机数,并用它来计算适应度?恐怕你对遗传算法有误解。它们是解决优化问题的一种方法,看起来像这样:“什么是x_1
,x_2
,…,x_n
的值使得f(x_1,x_2,…,x_n)
最大?”当我们试图用遗传算法解决这个问题时,我们称之为x_i
基因,我们称之为f(…)
适应度。当我们想测试我们的程序时,我们可以选择easom(x,0)
作为我们优化的功能。然后我们说x
是我们的单一基因,而easim(x)
是适合度。你能为Easom函数编写一个伪代码,让个体的基因作为整数数组。我想我会更好地理解代码。我不明白为什么我们只考虑个体的一个或两个基因进行功能评估,而数组中存储了这么多基因我认为f(…)将是个体的适应度,随着进化的发生和世代的变化,我们必须使适应度最大化。但我不明白的是x的值是多少(假设书中给出的Y0)和
import static java.lang.Math.*;