Ewolucyjny (Evolutionary Search) algorytm wyszukiwania w C++- wyjaśnienie, przykład i kod

Algorytm Wyszukiwania Ewolucyjnego jest metodą optymalizacyjną opartą na mechanizmie naturalnej ewolucji. Algorytm ten symuluje proces ewolucji jednostek w populacji na przestrzeni pokoleń, aby znaleźć najlepsze rozwiązanie problemu.

Jak to działa

1. Inicjalizacja populacji: Utwórz początkową populację losowo generowanych osobników.
2. Ocena: Oceń jakość każdej osoby w populacji na podstawie funkcji celu lub kryteriów oceny.
3. Selekcja: Wybierz podzbiór najlepszych osobników z bieżącej populacji na podstawie prawdopodobieństw lub kryteriów selekcji.
4. Ewolucja: Stwórz nową generację, stosując operacje krzyżowania i mutacji do wybranych osobników.
5. Iteracja: powtarzaj kroki od 2 do 4 w wielu generacjach, aż do uzyskania zadowalającego rozwiązania lub osiągnięcia określonej liczby iteracji.

Przykład: optymalizacja Fibonacci funkcji za pomocą wyszukiwania ewolucyjnego

Rozważmy problem optymalizacji funkcji Fibonacci F(x) = F(x-1) + F(x-2) gdzie F(0) = 0, F(1) = 1. Chcemy znaleźć wartość x dla której F(x) jest zmaksymalizowane. Metoda wyszukiwania ewolucyjnego może generować populację losowych wartości x, ewoluować je przez pokolenia, aby znaleźć optymalną wartość x.

Przykład kodu w 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;  
}  

W tym przykładzie używamy metody Evolutionary Search w celu optymalizacji Fibonacci funkcji. Generujemy populację losowych wartości x, rozwijamy je z pokolenia na pokolenie, wybierając najlepsze osobniki i stosując operacje krzyżowania i mutacji.