Evolutionær søgealgoritme (Evolutionary Search) i C++- Forklaring, eksempel og kode

Den evolutionære søgealgoritme er en optimeringsmetode baseret på den naturlige evolutions mekanisme. Denne algoritme simulerer evolutionsprocessen for individer i en befolkning på tværs af generationer for at finde den bedste løsning på et problem.

Hvordan det virker

1. Populationsinitialisering: Opret en indledende population af tilfældigt genererede individer.
2. Evaluering: Evaluer kvaliteten af ​​hvert individ i befolkningen ud fra den objektive funktion eller evalueringskriterier.
3. Udvælgelse: Vælg en undergruppe af de bedste individer fra den aktuelle population baseret på sandsynligheder eller udvælgelseskriterier.
4. Evolution: Skab en ny generation ved at anvende crossover- og mutationsoperationer på de udvalgte individer.
5. Iteration: Gentag trin 2 til 4 over flere generationer, indtil en tilfredsstillende løsning er opnået eller et foruddefineret antal iterationer er nået.

Eksempel: Optimering af Fibonacci funktionen ved hjælp af evolutionær søgning

Overvej optimeringsproblemet for Fibonacci funktionen F(x) = F(x-1) + F(x-2) med F(0) = 0, F(1) = 1. Vi ønsker at finde værdien af ​​x for hvilken F(x) er maksimeret. Den evolutionære søgemetode kan generere en population af tilfældige x-værdier, udvikle dem på tværs af generationer for at finde den optimale x-værdi.

Kodeeksempel i C++

#include <iostream>  
#include <vector>  
#include <cstdlib>  
#include <ctime>  
  
int fibonacci(int n) {  
    if(n <= 0) return 0;  
    if(n == 1) return 1;  
    return fibonacci(n- 1) + fibonacci(n- 2);  
}  
  
int evolutionSearchFibonacci(int populationSize, int numGenerations) {  
    srand(time(0));  
  
    std::vector<int> population(populationSize);  
    for(int i = 0; i < populationSize; ++i) {  
        population[i] = rand() % populationSize;  
    }  
  
    for(int gen = 0; gen < numGenerations; ++gen) {  
        int bestIndex = 0;  
        for(int i = 1; i < populationSize; ++i) {  
            if(fibonacci(population[i]) > fibonacci(population[bestIndex])) {  
                bestIndex = i;  
            }  
        }  
  
        // Crossover and mutation operations can be applied here  
  
        // Example: Replace the worst individual with the best individual  
        population[0] = population[bestIndex];  
    }  
  
    return population[0];  
}  
  
int main() {  
    int populationSize = 50;  
    int numGenerations = 100;  
    int result = evolutionSearchFibonacci(populationSize, numGenerations);  
  
    std::cout << "Optimal x for maximum Fibonacci value: " << result << std::endl;  
  
    return 0;  
}  

I dette eksempel bruger vi metoden Evolutionary Search til at optimere funktionen Fibonacci. Vi genererer en population af tilfældige x-værdier, udvikler dem på tværs af generationer ved at udvælge de bedste individer og anvende crossover- og mutationsoperationer.