GeneticAlgorithm

GeneticAlgorithm

这是用C++写的遗传算法，参考《智能算法 30案例分析 第2版》一书，包含TSP、LQR控制器、结合量子算法、多目标优化、粒子群等，由于原作为matlab程序，综合自己思路通过C++写出来，算是练习和开个大坑

• 通过opencv绘制函数曲线图和坐标图
• 一元最优化目标
• 多元函数优化目标
• 基于遗传算法的BP神经网络（施工中）
• 基于遗传算法的TSP问题
• 基于量子遗传算法
• 粒子群算法

How to use

git clone https://github.com/ShiSanChuan/GeneticAlgorithm.git
cd GeneticAlgorithm/
cmake .
make -j4
cd src/
./GA

Recode

一元函数优化

• 通过遗传算法求x^2*sin(3x*pi)的最大值，增大初始种群数目可加快迭代，增加种群基因编码长度增大迭代稳定性，变异和交叉较小为好;
• 对于遗传算法中的赌盘轮巡法，最常见直接计算所有个体函数的累加值作为随机值的最大值，但因为数据中可能有负数，所以将所有数据减去这个最小值，但这样结果会使中间的数据频繁出现，无法很好的表现最优值;

float fun1(std::vector<float> argv){
	float x=argv[0];
	return (x*x*std::sin(3*pi*x));
}
...
ga.solve(fun1,1);

• 若再将fun(x)后处理的数据再次进行exp(x),可以去除有负数累加的问题，但若目标函数的最优值与次最优值很近，或者fun(x)的数据本身集中在[-inf,1]，也无法很好的区分最优值;

• 若将fun(x)后的数据进行排序，在将排序的大小换为整数1,…,n，在通过指数exp或者平方处理，可以很好区分最优值。

• 因为种群编码长度受计算机影响（64位），因此搜索区间太大会使精度下降，因此进行一次遗传算法寻求全局最优后再次缩小范围求获得的精度更高。

二元函数优化

• 与一元函数优化基本类似，不过在rank中需要在二元中需找对应最大解,求解xcos(2pi*y)+ysin(2pi*x),该函数的matlab绘制的图像在第二张图片。

float fun2(std::vector<float> argv){
	float x=argv[0];//参数可变，当前使用两个变量
	float y=argv[1];
	return (x*std::cos(2*pi*y)+y*std::sin(2*pi*x));
}
...
ga.solve(fun2,2);

基于BP的遗传算法

BP的正则化在opencv中有点难弄。。所以结果误差MSE在4左右,BP中的sigmod函数的确非常重要。。。

float _input[2][3]={{1,2,3},{4,5,6}};
float _output[2][2]={{1.,2.},{3.,4.}};
...
GA_BP ga(10,440);
ga.BPsolve(input, output);

基于遗传算法的TSP

• TSP作为典型的NP问题，目前没有一个多项式的解法，虽然参照书上matlab遗传算法求解TSP问题,但书中交叉、变异的概念有点没弄懂，用C++实现后，并没有出现预期想象中那么好的结果，或许这些NP问题用遗传算法来解有点看脸吧（：《 ），最好的结果也没有达到书中的0.03,实际距离29.3405（也就是包裹点的最大多边形）。,原来在代码中的初始数据的定义有问题,以前是float _address[14][3],这样初始化就有问题,会求取空间的TSP,而且第三个参数是随机的,这个错误太大意了,修改后效果好很多,近乎最优解,速度比MATLAB快。

float _address[14][2]={{16.47,96.10},{16.47,94.44},
						   {22.39,93.37},{25.23,97.24},
						   {20.47,97.02},{17.20,96.29},
						   {14.05,98.12},{22.00,96.05},
						   {16.53,97.38},{21.52,95.59},
						   {19.41,97.13},{20.09,92.55}};
...
cv::Mat address(cv::Size(2,12),CV_32FC1,_address);
GA_TSP ga(40,address.rows);
ga.TSPsolve(address);

基于量子遗传算法

• 量子遗传算法（QGA）是一种概率型算法，抛弃普通遗传算法的基因交叉和变异操作，通过使用量子门旋转来调整基因，基本理解是每个基因代表一个角度值，角度值在-pi~pi之间变动，sin（）^2处理后，通过每次的概率来获得该基因是0还是1，然后通过调整角度值使得新的个体。（程序中没有按照书中所说的方法调整，因为在书中程序的matlab增加空间存储变量，在该程序中的基因对比时还是rand，所以不稳定）

 * select 通过量子门旋转更新群体 更新方法: P82
 *x	best 	f(x)>f(best)	alpha	ab>0	ab<0	a=0	b=0
 *0	0		false			0		0		0		0	0
 *0	0		true			0		0		0		0	0
 *0	1		false			0.01pi	1		-1		0	+-1
 *0	1		true			0.01pi	-1		1		+-1	0
 *1	0		false			0.01pi	-1		1		+-1	0
 *1	0		true			0.01pi	1		-1		0	+-1
 *1	1		false			0		0		0		0	0
 *1	1		true			0		0		0		0	0

float fun2(std::vector<float> argv){
	float x=argv[0];
	float y=argv[1];
	return (x*std::cos(2*pi*y)+y*std::sin(2*pi*x));
}
...
QGA ga(80,80);
ga.solve(fun2,2);
Popula=ga.crtbp();
...
ga.bs2rv(Popula,-2,2);
ga.ranking();
ga.select(Popula);

粒子群算法

• 粒子群算法是一种群体搜索算法，每个粒子代表一个解，同时对应一个适应度，粒子向着全局和自身最优的地方前进，前进的速度由该粒子与当前最佳与历史最佳的粒子相对位置决定，因此能在可解空间中快速搜索。

float fun3(std::vector<float> argv){
	float x=argv[0];
	float y=argv[1];
	return (x*std::cos(2*pi*y)+y*std::sin(2*pi*x));
}
...
PSO pso(50,2,-2,2);
pso.solve(fun3);
pso.crtbp();
...
pso.ranking();
pso.update(1);

some Problem

• 在每次选择最优种群个体时，保护当前最优个体加上赌盘选择法可以加快迭代优化，并且增加稳定。
• C++中构造函数中不能再使用其它重载的构造函数，会失效。
• cv::Mat 的结构体，使用at时，返回的是一个template的量，因此在使用逻辑表达式的时候最好先强制转换一下。
• 使用cstdarg，C++可变参数函数：(不过不如传入数组，因为cstdarg声明的函数指针不能使用lamdaba传入，一大遗憾。。)

#include <cstdarg>
void testarg(count,...){
	va_list ap;
	va_start(ap, count);
	for(int i=0;i<count;i++)
	std::cout<<(int)va_arg(ap, int)<</cstdarg></float></float></float></float>