Evolúciós keresési (Evolutionary Search) algoritmus C++ nyelven – magyarázat, példa és kód

Az Evolutionary Search algoritmus a természetes evolúció mechanizmusán alapuló optimalizálási módszer. Ez az algoritmus egy populáción belüli egyedek evolúciós folyamatát szimulálja generációkon át, hogy megtalálja a legjobb megoldást egy problémára.

Hogyan működik

1. Populáció inicializálása: Hozzon létre egy kezdeti populációt véletlenszerűen generált egyedekből.
2. Értékelés: Értékelje a populáció minden egyedének minőségét a célfunkció vagy az értékelési kritériumok alapján.
3. Kiválasztás: Válassza ki a jelenlegi populáció legjobb egyedeinek egy részét a valószínűségek vagy kiválasztási kritériumok alapján.
4. Evolúció: Hozzon létre egy új generációt keresztezési és mutációs műveletek alkalmazásával a kiválasztott egyedeken.
5. Iteráció: Ismételje meg a 2–4. lépéseket több generáción keresztül, amíg el nem éri a kielégítő megoldást, vagy el nem éri az előre meghatározott számú iterációt.

Példa: A Fibonacci funkció optimalizálása az Evolutionary Search segítségével

Tekintsük az F(x) = F(x-1) + F(x-2) függvény optimalizálási problémáját, Fibonacci ahol F(0) = 0, F(1) = 1. Meg akarjuk találni az x értékét, amelyre F(x) maximalizált. Az evolúciós keresés módszere véletlenszerű x értékekből álló populációt generálhat, és generációkon keresztül fejlesztheti őket, hogy megtalálják az optimális x értéket.

Kódpélda C++ nyelven

#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;  
}  

Ebben a példában az Evolutionary Search módszert használjuk a Fibonacci függvény optimalizálására. Véletlen x értékekből álló populációt generálunk, generációkon át fejlesztjük azokat a legjobb egyedek kiválasztásával, valamint keresztezési és mutációs műveletek alkalmazásával.