Evoliucinis paieškos (Evolutionary Search) algoritmas C++ – paaiškinimas, pavyzdys ir kodas

Evoliucinės paieškos algoritmas yra optimizavimo metodas, pagrįstas natūralios evoliucijos mechanizmu. Šis algoritmas imituoja individų evoliucijos procesą populiacijoje iš kartos į kartą, kad rastų geriausią problemos sprendimą.

Kaip tai veikia

1. Populiacijos inicijavimas: sukurkite pradinę atsitiktinai sugeneruotų asmenų populiaciją.
2. Įvertinimas: Įvertinkite kiekvieno individo kokybę populiacijoje pagal objektyvią funkciją arba vertinimo kriterijus.
3. Atranka: pagal tikimybes arba atrankos kriterijus pasirinkite geriausių individų poaibį iš dabartinės populiacijos.
4. Evoliucija: sukurkite naują kartą pasirinktiems asmenims taikydami kryžminimo ir mutacijos operacijas.
5. Iteracija: kartokite 2–4 veiksmus per kelias kartas, kol bus pasiektas patenkinamas sprendimas arba iš anksto nustatytas iteracijų skaičius.

Pavyzdys: Fibonacci funkcijos optimizavimas naudojant evoliucinę paiešką

Apsvarstykite funkcijos F(x) = F(x-1) + F(x-2) optimizavimo uždavinį Fibonacci, kai F(0) = 0, F(1) = 1. Norime rasti x reikšmę, kuriai F(x) yra maksimalus. Evoliucinės paieškos metodas gali generuoti atsitiktinių x reikšmių populiaciją, jas plėtoti iš kartos į kartą, kad būtų galima rasti optimalią x reikšmę.

Kodo pavyzdys 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;  
}  

Šiame pavyzdyje funkcijai optimizuoti naudojame evoliucinės paieškos metodą Fibonacci. Sugeneruojame atsitiktinių x reikšmių populiaciją, evoliucionuojame iš kartos į kartą atrinkdami geriausius asmenis ir taikydami kryžminimo ir mutacijos operacijas.