本文主要是介绍01背包遗传算法C++实现,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!
算法详解: http://blog.csdn.net/u011630575/article/details/70317251
一、代码如下:
#include <windows.h>
#include<stdio.h>
#include<stdlib.h>
#include<math.h>
#include<time.h>/*数据集一**********************************************************************
#define S 5 //种群的规模
#define Pc 0.8 //交叉概率
#define Pm 0.05 //突变概率
#define KW 1000 //背包最大载重1000
#define N 30 //物体总数
#define T 800 //最大换代数
#define ALIKE 0.05 //判定相似度
int stop=0; //初始化函数中初始化为所有价值之和
int t=0; //目前的代数
int value[]={
220,208,198,192,180,180,165,162,160,158,155,130,125,122,120,118,115,110,105,101,100,100,98,96,95,90,88,82,80,77,75,73,72,70,69,66,65,63,60,58,56,50,30,20,15,10,8,5,3,1};
int weight[]={
80,82,85,70,72,70,66,50,55,25,50,55,40,48,50,32,22,60,30,32,40,38,35,32,25,28,30,22,25,30,45,30,60,50,20,65,20,25,30,10,20,25,15,10,10,10,4,4,2,1};/*数据集二***********************************************************************/
#define S 5 //种群的规模
#define Pc 0.8 //交叉概率
#define Pm 0.05 //突变概率
#define KW 1000 //背包最大载重1000
#define N 50 //物体总数
#define T 800 //最大换代数
#define ALIKE 0.05 //判定相似度
int stop=0; //初始化函数中初始化为所有价值之和
int t=0; //目前的代数
int value[]={
220,208,198,192,180,180,165,162,160,158,155,130,125,122,120,118,115,110,105,101,100,100,98,96,95,90,88,82,80,77,75,73,72,70,69,66,65,63,60,58,56,50,30,20,15,10,8,5,3,1};
int weight[]={
80,82,85,70,72,70,66,50,55,25,50,55,40,48,50,32,22,60,30,32,40,38,35,32,25,28,30,22,25,30,45,30,60,50,20,65,20,25,30,10,20,25,15,10,10,10,4,4,2,1};/*数据集三***********************************************************************
#define S 5 //种群的规模
#define Pc 0.8 //交叉概率
#define Pm 0.05 //突变概率
#define KW 1000 //背包最大载重1000
#define N 60 //物体总数
#define T 800 //最大换代数
#define ALIKE 0.05 //判定相似度
int stop=0; //初始化函数中初始化为所有价值之和
int t=0; //目前的代数
int value[]={
597,596,593,586,581,568,567,560,549,548,547,529,529,527,520,491,482,478,475,475,466,462,459,458,454,451,449,443,442,421,410,409,395,394,390,377,375,366,361,347,334,322,315,313,311,309,296,295,294,289,285,279,277,276,272,248,246,245,238,237,232,231,230,225,192,184,183,176,171,169,165,165,154,153,150,149,147,143,140,138,134,132,127,124,123,114,111,104,89,74,63,62,58,55,48,27,22,12,6,250};
int weight[]={
54,183,106,82,30,58,71,166,117,190,90,191,205,128,110,89,63,6,140,86,30,91,156,31,70,199,142,98,178,16,140,31,24,197,101,73,16,73,2,159,71,102,144,151,27,131,209,164,177,177,129,146,17,53,64,146,43,170,180,171,130,183,5,113,207,57,13,163,20,63,12,24,9,42,6,109,170,108,46,69,43,175,81,5,34,146,148,114,160,174,156,82,47,126,102,83,58,34,21,14};
/************************************************************************/struct individual //个体结构体
{bool chromsome[N]; //染色体编码double fitness; //适应度//即本问题中的个体所得价值double weight; //总重量
};
int best=0;
int same=0;
individual X[S],Y[S],bestindividual;/************************************************************************/
int comp(individual bestindividual,individual temp); //比较函数
void checkalike(void); //检查相似度函数
void GenerateInitialPopulation(void); //初始种群
void CalculateFitnessValue(void); //适应度
void SelectionOperator(void); //选择
void CrossoverOperator(void); //交叉
void MutationOperator(void); //变异
void FindBestandWorstIndividual(void); //寻找最优解
void srand(unsigned int seed); //随机生成
/************************************************************************/int comp(individual bestindividual,individual temp)//比较函数
{int fit=0,w=0;//第一种不变:操作后不满足重量函数,第二种:操作后适应度小于操作前for(int i=0;i<N;i++){fit+=temp.chromsome[i]*value[i];w+=temp.chromsome[i]*weight[i];}if(w>KW)return -1;return (bestindividual.fitness>fit?-1:1);//如果小于原来值或者不满足重量函数,则返回-1
}/************************************************************************/
void Checkalike(void)
{int i=0,j=0;for( i=0;i<S;i++)//相似度校验{for(j=0;j<N;j++){bool temp=X[i].chromsome[j];for(int k=1;k<S;k++){if(temp!=X[k].chromsome[j])break;}}if(j==N)same++;}if(same>N*ALIKE)//大于ALIKE作为判定为早熟{int minindex=0;for(int n=0;n<S;n++)if(X[n].fitness<X[minindex].fitness)minindex=n;//确定最小for (j=0; j<N;j++)//重新生成{bool m=(rand()%10<5)?0:1;X[minindex].chromsome[j]=m;X[minindex].weight+=m*weight[j];//个体的总重量X[minindex].fitness+=m*value[j]; //个体的总价值}}
}/************************************************************************/
void GenerateInitialPopulation(void)//初始种群,保证每个值都在符合条件的解
{int i=0,j=0; bool k;for(i=0;i<N;i++)stop+=value[i];//设置理论最优值for (i=0; i<S; i++){int w=0,v=0;for (j=0; j<N;j++){k=(rand()%10<5)?0:1;X[i].chromsome[j]=k;w+=k*weight[j];//个体的总重量v+=k*value[j]; //个体的总价值}if(w>KW) i--; //如果不是解,重新生成else{X[i].fitness=v;X[i].weight=w;if(v==stop){ bestindividual=X[i];return;}//这种情况一般不会发生}}
}
/************************************************************************/void CalculateFitnessValue()
{int i=0,j=0; for (i=0; i<S; i++){int w=0,v=0;for (j=0; j<N;j++){w+=X[i].chromsome[j]*weight[j];//个体的总重量v+=X[i].chromsome[j]*value[j]; //个体的总价值}X[i].fitness=v;X[i].weight=w;if(v==stop){bestindividual=X[i];return;}//符合条件情况下最优解这种情况一般不会发生if(w>KW) X[i]=bestindividual;//如果不是解,找最好的一个解代之}
}
/************************************************************************/void SelectionOperator(void)
{int i, index;double p, sum=0.0;double cfitness[S];//选择、累积概率individual newX[S];for (i=0;i<S;i++) sum+=X[i].fitness;//适应度求和for (i=0;i<S; i++) cfitness[i]=X[i].fitness/sum; //选择概率for (i=1;i<S; i++) cfitness[i]=cfitness[i-1]+cfitness[i];//累积概率for (i=0;i<S;i++){p=(rand()%1001)/1000.0;//产生一个[0,1]之间的随机数index=0;while(p>cfitness[index])//轮盘赌进行选择{index++;}newX[i]=X[index];}for (i=0; i<S; i++) X[i]=newX[i];//新的种群
}/************************************************************************/
void CrossoverOperator(void)//交叉操作
{int i=0, j=0,k=0;individual temp; for(i=0; i<S; i++){int p=0,q=0;do{p=rand()%S;//产生两个[0,S]的随机数q=rand()%S;}while(p==q);int w=1+rand()%N;//[1,N]表示交换的位数double r=(rand()%1001)/1000.0;//[0,1]if(r<=Pc){for(j=0;j<w;j++){temp.chromsome[j]=X[p].chromsome[j];//将要交换的位先放入临时空间X[p].chromsome[j]=X[q].chromsome[j];X[q].chromsome[j]=temp.chromsome[j];}}if(p==best)if(-1==comp(bestindividual,X[p]))//如果变异后适应度变小X[p]=bestindividual;if(q==best)if(-1==comp(bestindividual,X[q]))//如果变异后适应度变小X[q]=bestindividual;}
}
/************************************************************************/void MutationOperator(void)
{int i=0, j=0,k=0,q=0;double p=0;for (i=0; i<S; i++) {for (j=0; j<N; j++) {p=(rand()%1001)/1000.0;if (p<Pm)//对每一位都要考虑{ if(X[i].chromsome[j]==1)X[i].chromsome[j]=0;else X[i].chromsome[j]=1;}}if(i==best)if(-1==comp(bestindividual,X[i]))//如果变异后适应度变小X[i]=bestindividual;}
}
/************************************************************************/void FindBestandWorstIndividual(void)
{int i;bestindividual=X[0];for (i=1;i<S; i++){if (X[i].fitness>bestindividual.fitness){bestindividual=X[i];best=i;}}
}/*主函数*****************************************************************/
int main()
{ DWORD start, stop;start = GetTickCount();//程序开始时间 srand((unsigned)time(0));t=0;GenerateInitialPopulation(); //初始群体包括产生个体和计算个体的初始值while (t<=T) { FindBestandWorstIndividual(); //保存当前最优解SelectionOperator(); //选择 CrossoverOperator(); //交叉 MutationOperator(); //变异Checkalike(); //检查相似度CalculateFitnessValue(); //计算新种群适应度t++;} FindBestandWorstIndividual(); //找到最优解printf(" 物品价值:");for(int k=0;k<N;k++){printf(" %d ",value[k]);}printf("\n");printf(" 物品重量:");for(int k=0;k<N;k++){ printf(" %d ",weight[k]);}printf("\n");printf("背包容量 %d\n",1000); //输出最优值printf("-----------------------------\n"); printf("最优值 %f\n",bestindividual.fitness); //输出最优值printf("对应重量 %f\n",bestindividual.weight); //对应重量printf("线性解:");for(int k=0;k<N;k++){if(bestindividual.chromsome[k]==1){ //输出最优解printf(" %d ",1);}else{printf(" %d ",0);}}printf("\n");printf("\n");stop = GetTickCount();//程序结束时间 printf("运行时间: %lld ms\n", stop - start);system("pause");return 0;
}
/*结束***********************************************************************/
二 、结果分析
蓝色字表示 输出结果
运行时间表示 算法复杂度
1)数据集一:物体总个数为30时
物品价值: 220 208 198 192 180 180 165 162 160 158 155 130 125 122 120 118 115 110 105 101 100 100 98 96 95 90 88 82 80 77
物品重量: 80 82 85 70 72 70 66 50 55 25 50 55 40 48 50 32 22 60 30 32 40 38 35 32 25 28 30 22 25 30
背包容量 1000
-----------------------------
最优值 2984.000000
对应重量 995.000000
线性解: 1 1 0 1 1 1 0 1 1 1 1 1 1 1 0 1 1 0 1 1 1 1 0 1 1 0 0 1 1 0
运行时间: 16 ms
2)数据集二:物体总个数为50时
物品价值: 220 208 198 192 180 180 165 162 160 158 155 130 125 122 120 118 115 110 105 101 100 100 98 96 95 90 88 82 80 77 75 73 72 70 69 66 65 63 60 58 56 50 30 20 15 10 8 5 3 1
物品重量: 80 82 85 70 72 70 66 50 55 25 50 55 40 48 50 32 22 60 30 32 40 38 35 32 25 28 30 22 25 30 45 30 60 50 20 65 20 25 30 10 20 25 15 10 10 10 4 4 2 1
背包容量 1000
-----------------------------
最优值 3010.000000
对应重量 993.000000
线性解: 1 0 0 1 1 1 0 1 0 1 1 1 1 1 0 1 1 1 1 1 0 0 1 1 1 1 1 1 1 0 0 0 0 0 1 0 1 0 0 1 0 0 0 0 0 0 1 1 1 0
运行时间: 31 ms
3)数据集三:物体总个数为60时
物品价值: 597 596 593 586 581 568 567 560 549 548 547 529 529 527 520 491 482 478 475 475 466 462 459 458 454 451 449 443 442 421 410 409 395 394 390 377 375 366 361 347 334 322 315 313 311 309 296 295 294 289 285 279 277 276 272 248 246 245 238 237
物品重量: 54 183 106 82 30 58 71 166 117 190 90 191 205 128 110 89 63 6 140 86 30 91 156 31 70 199 142 98 178 16 140 31 24 197 101 73 16 73 2 159 71 102 144 151 27 131 209 164 177 177 129 146 17 53 64 146 43 170 180 171
背包容量 1000
-----------------------------
最优值 9738.000000
对应重量 997.000000
线性解: 1 0 0 1 1 1 1 0 0 0 1 0 0 0 0 1 1 1 0 0 1 0 0 1 1 0 0 0 0 1 0 1 1 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0
运行时间: 19297 ms
这篇关于01背包遗传算法C++实现的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!