Evoluutiohakualgoritmi (Evolutionary Search) C++:ssa- selitys, esimerkki ja koodi

Evolutionary Search -algoritmi on optimointimenetelmä, joka perustuu luonnollisen evoluution mekanismiin. Tämä algoritmi simuloi populaation yksilöiden evoluutioprosessia sukupolvien yli löytääkseen parhaan ratkaisun ongelmaan.

Kuinka se toimii

1. Populaation alustaminen: Luo ensimmäinen populaatio satunnaisesti luoduista yksilöistä.
2. Arviointi: Arvioi jokaisen populaation yksilön laatu tavoitefunktion tai arviointikriteerien perusteella.
3. Valinta: Valitse osajoukko parhaista yksilöistä nykyisestä populaatiosta todennäköisyyksien tai valintakriteerien perusteella.
4. Evoluutio: Luo uusi sukupolvi soveltamalla crossover- ja mutaatiooperaatioita valittuihin yksilöihin.
5. Iterointi: Toista vaiheet 2–4 useiden sukupolvien ajan, kunnes saavutetaan tyydyttävä ratkaisu tai saavutetaan ennalta määritetty iteraatioiden määrä.

Esimerkki: Fibonacci Toiminnon optimointi Evolutionary Searchilla

Tarkastellaan funktion F(x) = F(x-1) + F(x-2) optimointitehtävää Fibonacci, jossa F(0) = 0, F(1) = 1. Haluamme löytää x:n arvon, jolle F(x) on maksimoitu. Evoluutiohakumenetelmä voi luoda satunnaisten x-arvojen populaation, kehittää niitä sukupolvien välillä optimaalisen x-arvon löytämiseksi.

Esimerkki koodista C++:ssa

#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;  
}  

Tässä esimerkissä käytämme Evolutionary Search -menetelmää funktion optimointiin Fibonacci. Luomme satunnaisten x-arvojen populaation, kehitämme niitä sukupolvien yli valitsemalla parhaat yksilöt ja soveltamalla crossover- ja mutaatiooperaatioita.