遗传算法的C#实现及应用

 

遗传算法的C#实现及应用

吴晓春   摘  要  用C＃语言来实现遗传算法的通用代码GA类，然后调动GA类解决组合优化领域的经典问题TSP，并给出了该算法的实现程序。 关键词  遗传算法,TSP问题        遗传算法的历史起源可追溯至60年代，Holland于1975年出版的著名著作《自然系统和人工系统的适配》系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极为重要的模式理论。这一理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。 进入80年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。 一、遗传算法的C# 实现 遗传算法是模拟生物遗传进化的过程，在全局优化过程中找到最优解或其近似解的有效算法。简单地说，让多个随机解不断地繁殖，每一代解不断地进化，最后得到最优解或近似最优解。解决某一问题的遗传算法的实现过程有以下几个步骤： (1)    初始：随机产生待解决问题的若干解，每个解称为染色体（又称个体），所有解称为群体。 (2)    适应度：计算群体中每个染色体的适应度，代表解的优化程度。 (3)    新一代群体：通过下列步骤的循环产生新一代的群体，称子代群体。即新的若干个解。 1)       选择：按照适应度选择两个父代染色体作为双亲染色体。适应度高，被选择的几率就高。 2)       交叉：按照交叉率由双亲染色体交叉形成两个新一代染色体， 若交叉不能完成，直接由双亲复制产生两个子代染色体。 3)       变异：按照变异率让染色体的某个基因产生突变形成新的染色体。 4)       替换：使用新的群体代替原群体。即新的若干个解代替原来的若干个解。 (4)    测试：如果群体繁殖的次数已经足够，返回群体中的适应度最优的个体作为解。 (5)    循环：返回到第2步 上述步骤中，群体初始化、适应度计算、选择、交叉、变异都与具体的问题紧紧联系，其代码受具体问题的制约。为了通用性，在实现遗传算法时，用代理代表这些功能。遗传算法的通用C#代码包括三个类，分别为基因类（GAGene）、染色体类（GAChromosome）、遗传算法类（GA）。 基因类GAGene由构造方法和Value属性组成，Value是字串型，对应实际问题的最基本信息。染色体类GAChromosome继承ArrayList来实现，由若干基因顺序组成。遗传算法类GA实现遗传算法的总体功能。 初始群体的产生是采用随机的方法产生问题的多个解，核心代码如下：      public void Initialize()//产生第一代群体        {   try{              if (this.EnableLogging && this.LogFilePath != "")                  System.IO.File.Delete(LogFilePath);//染色体数据存盘              if (this.EnableLogging)                 {   AddToLogFile("序号/t染色体/t适应度");                     AddToLogFile("--------------------------------------------------");                 }             }             catch (System.IO.IOException exp){}             m_thisGeneration = new System.Collections.ArrayList();//当前群体,             for (int i = 0; i < PopulationSize; i++) //PopulationSize为群体大小,即染色体个数             {              GAChromosome newParent = new GAChromosome(m_init, m_fit, m_mutate); //利用m_init生成染色体，并用m_fit计算染色体的适应度，染色体变异时使用m_mutate              m_thisGeneration.Add(newParent);//添加到群体中              if (this.EnableLogging)AppendToLogFile(i, newParent);//数据存盘             }             RankPopulation();//根据适应度对染色体排序    } 在构造染色体new GAChromosome(m_init, m_fit, m_mutate)时，通过三个参数的代理方法来生成染色体、计算适应度、实现变异。具体代码随具体问题而不同。 新一代群体，又称为子代群体，它是在父代群体中选择优秀的染色体经过交叉、变异产生的。为了保证子代群体比父代群体在整体上更为优秀，选择方法、交叉方法和变异方法都要根据具体问题来设计调整，基于子代比父代比更优秀的趋势，群体向着最优解靠近，通过不断的循环(繁殖)，总能找到最优解或其近似解。核心代码如下：         public void CreateNextGeneration()//生成新一代群体         {             m_NextGeneration.Clear();                          GAChromosome bestChromo = null;             if (this.ApplyElitism) // 最优秀（适度度最好）的染色体是否直接选择加入到新一代群体                 bestChromo = (GAChromosome)m_thisGeneration[0];//取出最优染色体（已排序）             for (int i = 0; i < this.PopulationSize; i += 2)//逐步生成新一代群体，每次生成两个             {                 //Step 1 选择：选择父代中的两个优秀的染色体                  int iDadParent = 0;                 int iMumParent = 0;                 switch (this.SelectionType) //选择的方法有：轮赌、竞争、等级等等                 {                     case Selection.Tournment: //竞争法                         iDadParent = TournamentSelection();                         iMumParent = TournamentSelection();                         break;                    case Selection.Roullette: //轮赌法                         iDadParent = RouletteSelection();                         iMumParent = RouletteSelection();                                                break;                 }                 GAChromosome Dad = (GAChromosome)m_thisGeneration[iDadParent];                 GAChromosome Mum = (GAChromosome)m_thisGeneration[iMumParent];                 GAChromosome child1 = new GAChromosome(this.m_fit, this.m_mutate);                 GAChromosome child2 = new GAChromosome(this.m_fit, this.m_mutate);                   //Step 2  交叉：参照交叉率随机决定，是交叉产生两个下一代的染色体还是直接产生                 if (m_Random.NextDouble() < this.CrossOver)                 {  m_crossOver(Dad, Mum, ref  child1, ref child2); }                 else                 {   child1 = Dad;                     child2 = Mum;                 }                 //Step 3  变异：参照变异率决定是否变异                 if (m_Random.NextDouble() < this.Mutation)                 {   m_mutate(child1);                     m_mutate(child2);                 }                 //Step 4 计算适应度                                     this.m_fit(child1);                 this.m_fit(child2);                 m_NextGeneration.Add(child1);                 m_NextGeneration.Add(child2);             }//for  子代群体生成结束               if (null != bestChromo)                 m_NextGeneration.Insert(0, bestChromo); //最优的染色体插入子代群体中             m_thisGeneration.Clear(); //用新一代替换当代群体                           for (int j = 0; j < this.PopulationSize; j++)             { m_thisGeneration.Add(m_NextGeneration[j]);}             this.RankPopulation();//按照适应度对染色体排序             this.GenerationNum++;//优化过程计数    } 优秀的染色体是指适应度高的染色体。群体中最优的那个染色体将毫无改变的复制到新的群体中。用比较优秀的染色体产生子代，才能保证子代更优秀，以达到全局优化的目的。选择优秀染色体的方法较多，如轮赌选择法、竞赛(或称竞争)选择法、分级选择法、稳定状态选择法等这里只介绍轮赌选择法和竞赛选择法。 轮赌选择法：父代的选择是根据他们的适应度做出的。染色体适应度越高，那么它被选择到的机会就越大。想像一个轮盘赌的机器上放置了群体中所有的染色体。每一个染色体所占的地方的大小和它的适应度成正比。然后开始扔弹子，扔到那个地方就把对应的染色体选择出来。显然，适应度越大的染色体被选到的机会就越大。 这个过程可以用下面的这个算法来模拟：计算所有染色体的适应度之和S (大写)；在区间（0，S）上随机的产生一个数r；在群体中从适应度最小的染色体开始，把它的适应度加到s (小写)上去（s开始为0），如果s大于r，则停止循环并返回当前染色体，核心代码如下：