-
.
遗传算法
开放分类：
编程
、
程序
、
数学
、
计算机
、
算法
< br>
目录
?
遗传算法定义
?
遗传算法特点
?
遗传算法的应用
?
遗传算法的现状
?
遗传算法的一般算法
?
遗传算法实例
遗传算法定义
[
编辑本段
]
遗传算法（
Genetic Alg
orithm
）
是模拟达尔文的遗传选择和自然淘汰的生物进化
过程的计算模型，是一
种通过模拟自然进化过程搜索最优解的方法，它是有美国
Michigan
大学
d
教授于
1975
年首先提
出来的，并
出版了颇有影响的专著《
Adaptation in Natural and
Artificial Systems
》
，
< br>GA
这个名称才逐渐为
人所知，
d
教授所提出的
GA
通常为简单遗传算
法（
SGA
）
。
遗传算法是从代表问题可能潜在的解集的一个种群
（
population
）
开始的，
而一个种群则由经过基因
（
gene
）
编码的一定数目的个体
(individual)
组成。每个个体实际上是染色体
(chromosome)
带有特征的实体。染色体
作为遗传物质的主要载体，即多个基因的集
合，其内部表现（即基因型）是某种基因组合，它决定了个体
的形状的外部表现，如黑头
发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始
需要实现从
表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如
二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（
gene
ration
）演化产生出越来
越好的近似解，在每一代，根据
问题域中个体的适应度（
fitness
）大小挑选（
selection
）个体，并借助于
自然遗传
学的遗传算子（
genetic operators
）进行组
合交叉（
crossover
）和变异（
mutation
）
，产生出代表
新
的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中
的最优个体经过解码（
decoding
）
，可以作为问题近似最优解。
遗传算法特点
[
编辑本段
]
遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，
与传统的优化算法相比
，
主要有以下特点：
1
、
遗传算
法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际植本身，而遗传
算法处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界
生物的遗传和进化机理，也使得我们能够方便的应用遗传操作算子。
2
、
遗传算
法直接以适应度作为搜索信息，无需导数等其它辅助信息。
3
、
遗传算法使用多个点的搜索信息，具有隐含并行性。
4
、
遗传算法使用概率搜索技术，而非确定性规则。
遗传算法的应用
[
编辑本段
]
由于遗传算法的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其它辅助知识，而只需要影响
'.
.
搜索方向的目标函数和相应的适应
度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不
依赖于问题的具体
领域，对问题的种类有很强的鲁棒性，所以广泛应用于许多科学，下面我们将介绍遗传
算
法的一些主要应用领域：
1
、
函数优化。
函数优化是遗传算法的经
典应用领域，也是遗传算法进行性能评价的常用算例，许多人构造出了各种各样
复杂形式
的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函
< br>数等。对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法可以方< /p>
便的得到较好的结果。
2
、
组合优化
随着问题规模的增大，组合
优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优
解。对这类
复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解
的最佳工具之一。实践证明，遗传算法对于组合优化中的
NP
问题非常有效。例如遗传算法已经在求解旅
行商问题、
背包问题、装箱问题、图形划分问题等方面得到成功的应用。
此外，
GA
也在生产调度问题、自动控
制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面
获得了广泛的运用。<
/p>
遗传算法的现状
[
编辑本段
]
进入
90
年代，
遗传算法迎来了兴盛
发展时期，
无论是理论研究还是应用研究都成了十分热门的课题。
尤其
是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法
进行优化和规则学习的
能力也显著提高，同时产业应用方面的研究也在摸索之中。此外一
些新的理论和方法在应用研究中亦得到
了迅速的发展，这些无疑均给遗传算法增添了新的
活力。遗传算法的应用研究已从初期的组合优化求解扩
展到了许多更新、更工程化的应用
方面。
随着应用领域的扩展，遗传算法的研究出现了几个引人
注目的新动向：一是基于遗传算法的机器学习，这
一新的研究课题把遗传算法从历来离散
的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新
的机器学习算法。
这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。
二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合
，这对开拓
21
世纪中新的智能计算技术将具有重要的意义。三
是并行处理的遗传算法的研究十分活跃。这一研究不仅
对遗传算法本身的发展，而且对于
新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和另
一个称为人工生命
的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现
象
，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一
定的作用，
五是遗传算法和进化规划
（
Evolution Programming,EP
）
< br>以及进化策略
（
Evolution Strategy
,ES
）
等进化计算理论日益结合。
E
P
和
ES
几乎是和遗传算法同时独立发
展起来的，同遗传算法一样，它们也是
模拟自然界生物进化机制的只能计算方法，即同遗
传算法具有相同之处，也有各自的特点。目前，这三者
之间的比较研究和彼此结合的探讨
正形成热点。
1991
年
在他的论文中提出了基于领域交叉的交叉算子（
A
djacency based crossover
）
，这个
算
子是特别针对用序号表示基因的个体的交叉，并将其应用到了
TSP
问题中，通过实验对其进行了验证。
< br>
等提出了随即迭代遗传爬山法（
Stochastic
Iterated Genetic Hill-climbing
，
< br>SIGH
）采用了一种
复杂的概率选举机制，
此机制中由
m
个
“
投票者
”
来共同决定新个体的值
（
m
表示群体的大小）
。<
/p>
实验结果表
明，
SIGH
与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，
而且总体来讲，
SIGH
比现存的许多算法在求解
速度方面更有竞争力。
i
和
将遗传算法与单一方法（
simplex me
thod
）结合起来，形成了一种叫单一操作的多
亲交叉算子（
simplex crossover
）
，该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交
叉结果与对三
个个体用选举交叉产生的结果一致。同时，文献还将三者交叉算子与点交叉、均匀交叉做了
'.
.
比较，结果表明，三者交叉算子比其余两个有更好的性能。
<
/p>
国内也有不少的专家和学者对遗传算法的交叉算子进行改进。
20
02
年，
戴晓明等应用多种群遗传并行进化
的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群
间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优值问题
2004
年，
赵宏立等针
对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象，
提出了一种用基因
块编码的并行遗传算法（
Building-block
Coded Parallel GA
，
BCPGA
）
。该方法以粗粒度并行遗传算法为
基本框架，在
染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产
生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。
2005
年，
江雷等针对并行遗
传算法求解
TSP
问题
,
探讨了使用弹性策略来维持群体的多样性
,
使得算法
跨过
局部收敛的障碍
,
向全局最优解方
向进化。
遗传算法的一般算法
[
编辑本段
]
遗传算法是基于生物学的，理解或编程都不太难。下面是遗传算法的一般算法：
创建一个随机的初始状态
初始种群是从解中随机选择出来的
，将这些解比喻为染色体或基因，该种群被称为第一代，这和符号
人工智能系统的情况不
一样，在那里问题的初始状态已经给定了。
评估适应度
对每一个解
(
染色体
)
指定一个适应度的值，根
据问题求解的实际接近程度来指定
(
以便逼近求解问题的
答案
)
。不要把这些
“
解
”
与问题的
“
答案
”
混为一谈，可以把它理解成
为要得到答案，系统可能需要利用的那
些特性。
繁殖<
/p>
(
包括子代突变
)
带
有较高适应度值的那些染色体更可能产生后代
(
后代产生后也将
发生突变
)
。后代是父母的产物，他
们
由来自父母的基因结合而成，这个过程被称为
“
杂交
”
。
下一代
如果新
的一代包含一个解，能产生一个充分接近或等于期望答案的输出，那么问题就已经解决了。如
果情况并非如此，新的一代将重复他们父母所进行的繁衍过程，一代一代演化下去，直到达到期望的解为
止。
并行计算
非常容易将遗传算法用到并行计算
和群集环境中。一种方法是直接把每个节点当成一个并行的种群看
待。
< br>然后有机体根据不同的繁殖方法从一个节点迁移到另一个节点。
另一种方法是
“
农场主
/
劳工<
/p>
”
体系结构，
指定一个节点为
“
农场主
”
节点，负责选
择有机体和分派适应度的值，另外的节点作为
“
劳工
”
节点，负责重新
组合、变异和适应度函数的评估
。
'.
.
术语说明
由于遗传算法是由进化论和遗传学机理而产生的搜索算法，
所以在这个算法中会用到很
多生物遗传学知识，
下面是我们将会用来的一些术语说明：
<
/p>
一、染色体
(Chronmosome)
染色体又可以叫做基因型个体
(individuals),<
/p>
一定数量的个体组成了群体
(population),
群体中个体的数量叫
做群体大小。
二、基因
(Gene)
基因是串中的元素，基因用于表示个体的特征。例如有一个串
S
＝
1011
，则其中的
1<
/p>
，
0
，
1
，
1
这
4
个元
素分别称为基因。它们的值称为等位基因
(A
lletes)
。
三、基因地点
(Locus)
基因地点在算法中表示一个基因在串中的位置称为基因位置
(Gene
Position)
，有时也简称基因位。基因位
置由串的左向
右计算，例如在串
S
＝
1101
中，
0
的基因位置是
3
。
四、基因特征值
(Gene
Feature)
在用串表示整数时，基因的特征值与二进制
数的权一致；例如在串
S=1011
中，基因位置
3
中的
1
，它的
基因特征值为
2
；基
因位置
1
中的
1
，它的基因特征值为
8
。
五、适应度
(Fitness)
各个个体对环境的适应程度叫做适应度
(fitness)
。
为了体现染色体的适应能力，
引入了对问题中
的每一个染
色体都能进行度量的函数，叫适应度函数
.
这个函数是计算个体在群体中被使用的概率。
遗传算法实例
[
编辑本段
]
---------
来个例子，大家
好理解
------------
基于遗传算法的人工生命模拟
#include
#include
#include
#include
#include
#include
#include
/*
宏定义
*/
#define TL1 20 /*
植物性食物限制时间
*/
#define TL2 5 /*
动物性食物限制时间
*/
#define NEWFOODS 3 /*
植物性食物每代生成数目
*/
#define MUTATION 0.05 /*
变异概率
*/
#define G_LENGTH 32 /*
个体染色体长度
*/
#define MAX_POP 100 /*
个体总数的最大值
*/
#define MAX_FOOD 100 /*
食物总数的最大值
*/
#define MAX_WX 60 /*
虚拟环境的长度最大值
*/
#define MAX_WY 32 /*
虚拟环境的宽度最大值
*/
#define SX1 330 /*
虚拟环境图左上角点
x
坐标
*/
'.
.
#define SY1
40 /*
虚拟环境图左上角点
y
坐
标
*/
#define GX
360 /*
个体数进化图形窗口的左上角点
X
坐标
*/
#define GY 257 /*
个体数进化图形窗口的
左上角点
Y
坐标
*/
#define GXR 250 /*
个体数进化图形窗口的长度
*/
#define GYR 100 /*
个体数进化图形窗口的宽度
*/
#define GSTEP 2 /*
个体数进化图形窗口
的
X
方向步长
*/
#define R_LIFE 0.05 /*
初期产生生物数的环境比率
*/
#define R_FOOD 0.02 /*
初期产生食物数的环境比率
*/
#define SL_MIN 10 /*
个体寿命最小值
*/
/*
全局变量
*/
unsigned char
gene[MAX_POP][G_LENGTH]; /*
遗传基因
*/
unsigned char iflg[MAX_POP]; /*
个体死活状态标志变量
*/
unsigned char fflg[MAX_FOOD]; /*
食物有无状态标志变量
*/
unsigned char world[MAX_WX][MAX_WY]; /*
虚拟环境的数据
*/
unsigned char /*
各中行为模式数据
*/
life1[5][5]={{0,0,1,0,0},{0,1,0,1,0},{1,0,0, 0,1},{0,1,0,1,0},{0,0,1,0,0}};
unsigned
char
life2[5][5]={{1,1,1,1,1},{1,0,0,0,
1},{1,0,0,0,1},{1,0,0,0,1},{1,1,1,1,1}};
unsigned char
food1[5][5]={{
0,0,0,1,0},{0,0,1,1,0},{0,1,0,1,0},{0,0,1,1,0},{0,
0,0,1,0}};
unsigned char
foo
d2[5][5]={{0,0,0,1,0},{0,0,1,1,0},{0,1,1,1,0},{0,0
,1,1,0},{0,0,0,1,0}};
int pop_size; /*
个体总数
*/
int iatr[MAX_POP][4]; /*
个体属性
*/
/* iatr[][0]
个体当前位置
x
坐标
*/
/* iatr[][1]
个体当前位置
y
坐标
*/
/* iatr[][2]
内部能量
*/
/* iatr[][3]
年龄属性
*/
int food_size; /*
食物总数
*/
int fatr[MAX_FOOD][4]; /*
食物属性
*/
/* fatr[][0]
食物当前位置
x
坐标
*/
/* fatr[][1]
食物当前位置
y
坐标
*/
/* fatr[][2]=0 :
植物性
=1:
动物性
*/
/* fatr[][3]
新鲜程度
*/
int wx,wy; /*
虚拟环境的长宽度
*/
void
uni_crossover(gene,g1,g2,g3,ratio1,g_length) /*
均匀交叉
*/
unsigned char *gene; /*
遗传基因
*/
int g1,g2,g3; /* g1 g2
父个体编号
g3
子个体编号
*/
double ratio1; /*
父个体
g1
被选中的概率
*/
int g_length; /*
个体遗传基因的位长
*/
{
unsigned char *gene1; /* <
/p>
父
1
遗传基因的指针
*/
unsigned char *gene2;
/*
父
2
遗传基因的指针
*/
'.
.
unsigned char *gene3; /*
子遗传基因的指针
*/
double rnd,r1;
int i;
gene1=gene+g_length*g1;
gene2=gene+g_length*g2;
gene3=gene+g_length*g3;
r1=(int)(10000.0*ratio1);
<
br>g_draw_frame(0,170,320,399,7,0,8,15,
<
br>行动特点 } ,GX+GXR,GY+GYR,0,1);
for(i=0;i
{
rnd=random(10000);
if(rnd<=r1)
*(gene3+i)=*(gene1+i);
else
*(gene3+i)=*(gene2+i);
}
}
void g_disp_unit(x,y,n)
/*
绘制虚拟环境的一个单元
*/
int x,y; /* x=0,1,2....,wx-1;
y=0,1,2,....,wy-1 */
int n; /* n=0: =1:
生物
1
=2:
生物
2
=3:
植物性食物
=4:
障碍物
=5:
动物性食物
*/
{
int
gx,gy,i,j;
unsigned char col;
gx=SX1+5*x;gy=SY1+5*y;
for(i=0;i<5;i++)
for(j=0;j<5;j++)
{ switch(n)
{ case 0: col=0; break;
case
1: col=life1[j] [ i]*2; break;
case 2:
col=life2[j] [ i]*4; break;
case 3:
col=food1[j] [ i]*6; break;
case 4:
col=7; break;
case 5: col=food2[j] [
i]*11;
}
g_pset(gx+j,gy+i,col);
}
}
void
g_draw_world() /*
显示虚拟环境画面
*/
{
int i,j;
for(i=0;i
for(j=0;j
g_disp_unit(j,i,world[j] [ i]);
}
'.
.
void
g_draw_frame(x1,y1,x2,y2,c1,c2,c3,c4,text)
int x1,y1,x2,y2,c1,c2,c3,c4;
char *text;
{ int n,x3;
g_rectangle(x1,y1,x2,y2,c1,1);
g_rectangle(x1,y1,x2,y2,c2,0);
g_rectangle(x1,y1,x2,y1+16,c3,1);
g_rectangle(x1,y1,x2,y1+16,c2,0);
n=strlen(text);
x3=x1+((x2-x1-n*8)/2);
disp_hz16(text,x3,y1,c4);
}
void g_init_frames() /*
初始化画面
*/
{
int i,j,cx,cy,x,y;
char text[17];
g_draw_frame(0,0,639,399,15,0,4,15,
基于遗传算法的人工生命模拟
g_draw_frame(0,16,320,170,7,0,8,15,
设定参数
y=48;
setcolor(9);
disp_hz16(
植物食物限制时间
sprintf(text,<
/p>
g_text(200,y+8,4,text);
y=y+24;
setcolor(9);
disp_hz16(
动物食物限制时间
sprintf(text,
g_text(200,y+8,4,text
);
y=y+24;
setcolor(9);
disp_hz16(
植物食物每代生成个数
<
/p>
sprintf(text,
g_text(200,y+8,4
,text);
y=y+24;
setcolor(9);
disp_hz16(
变异概率
i=(int)(MUTATION*100.0);
sprint
f(text,
g_text(152,y+8,4,text);
最佳基因型
x=16;y=194;
setcolor(9);
'.
.
disp_hz16(
物种号
....
....
disp_hz16(
寿命
.
.........
disp_hz16(
视野
..........
disp_hz16(
基本移动
模式
..
disp_hz16(
移动特
点
......
disp_hz16(
移动能耗
......
disp_hz16(
......
disp_hz16(
善变性
........
disp_hz16(<
/p>
攻击速度
......
disp_hz1
6(
防御能力
......
disp_
hz16(
攻击能耗
......
di
sp_hz16(
食物吸取效率
..
g
_draw_frame(320,16,639,207,7,0,8,15,
虚拟世
界
g_draw_frame(320,207,639,39
9,7,0,8,15,
世代个体数目变化
void g_init_graph()
/*
个体数进化图初始化
*/
{
g_rectangle(GX,GY
g_rectangle(GX,G
Y
,GX+GXR,GY+GYR,6,0);
setcolor(1);
disp_hz16(
生物
1
g_
line(GX+90,GY-10,GX+110,GY-10,1);
setcolor(4);
disp_hz16(
生物
2
g_
line(GX+205,GY-10,GX+225,GY-10,4);
setcolor(0);
disp_hz16(
世代数
g_text(GX-25,GY
,0,
g_text(GX-14,GY+GYR,0,
}
void
g_plot_population(gen_num,n1,n2,n1old,n2old)
int gen_num,n1,n2,n1old,n2old;
{
int x,y,gx,gy,x_old,y_old;
char text[8];
if(gen_num%10==0)
{
x=GX+(gen_num-1)*GSTEP;
g_line(x,GY+1,x,GY+GYR-1,1);
sprintf(text,
if(gen_num<100||gen_num%2
0==0)
'.
.
g_text(x-8,GY+GYR+5,15,text);
}
x_old=GX+(gen_num-1)*GSTEP;
x=x_old+GSTEP;
y_old=GY+GYR-n1old;
y=GY+GYR-n1;
g_line(x_old,y_old,x,y,1);
y_old=GY+GYR-n2old;
y=GY+GYR-n2;
g_line(x_old,y_old,x,y,4);
}
void g_disp_genotype() /*
显示最佳个体的遗传基因型
*/
{
int i,j,n0,n1,x,y;
unsigned char g[G_LENGTH];
unsigned char bits[12][2]=
{
{0,0},{1,4},{5,6},{7,8},{9,11},{12,12},{13,15},
{16,18},{19,21},{22,24},{25,27},{28,31}};
/*
画面消除
*/
g_rectangle(200,187,319,398,7,1);
if(pop_size!=0)
{
/*
获取各遗传因子
*/
for(i=0;i
{
n0=0;n1=0;
for(j=0;jif(gene[j] [ i]==0) n0++;
else n1++;
if(n0>=n1) g [
i]=0; else g [ i]=1;
}
x=220;
for(i=0;i<12;i++)
{
y=202+i*16;
for(j=bits [ i][0];j<=bits [ i][1];j++)
if(g[j]==0)
g_text(x+(j-bits
[ i][0])*16,y,4,
else
g_text(x+(j-bits [
i][0])*16,y,4,
}
}
}
'.
.
void
g_disp_char(x,y,x1,y1,x2,y2,v)
int x,y,x1,y1,x2,y2;
unsigned char v;
{
char c[10];
if(x>=x1&&
x<=x2-8 && y>=y1 && y<=y2-10)
{
switch(v)
{
case
0: strcpy(c,
case 1:
strcpy(c,
case 2:
strcpy(c,
case 3: strcpy(c,
}
g_text(x,y,15,c);
}
}
void remove_life(n) /*
消除第
n
个个体
*/
int n;
{
iflg[n]=0;
world[iatr[n][0]][iatr[n][1]]=0;
g_disp_unit(iatr[n][0],iatr[n][1],0);
if(food_size+1<=MAX_FOOD)
{
food_size++;
fatr[food_size-1][0]=iatr[n][0];
fatr[food_size-1][1]=iatr[n][1];
fatr[food_size-1][2]=1;
fatr[food_size-1][3]=0;
fflg[food_size-1]=1;
world[iatr[n][0]][iatr[n][1]]=5;
g_disp_unit(iatr[n][0],iatr[n][1],5);
}
}
void remove_food(n) /*
消除第
n
个食物
*/
int n;
{
fflg[n]=0;
world[fatr[n][0]][fatr[n][1]]=0;
g_disp_unit(fatr[n][0],fatr[n][1],0);
}
'.
.
void
make_lives_and_foods() /*
设置虚拟环境中生物与食物
*/
{
int x,y,i,j;
pop_size=0;
food_size=0;
for(y=0;y
for(x=0;x
{
if(world[x][y]==1||world[x][y]==2)
{
if(pop_size+1<=MAX_POP)
{
pop_size++;
/*
生成遗传因子
*/
gene[pop_size-1][0]=world[x][y]-1;
for(i=1;i
gene[pop_size-1] [ i]=random(2);
/*
设定属性
*/
iatr[pop_size-1][0]=x;
iatr[pop_size-1][1]=y;
iatr[pop_size-1][2]=70+random(30);
iatr[pop_size-1][3]=random(SL_MIN);
}
}
if(world[x][y]==3||world[x][y]==5)
{
if(food_size+1<=MAX_FOOD)
{
food_size++;
/*
设定属性
*/
fatr[food_size-1][0]=x;
fatr[food_size-1][1]=y;
if(world[x][y]==3)
fatr[food_size-1][2]=0;
else
fatr[food_size-1][2]=1;
fatr[food_size-1][3]=random(TL1-1)+1;
}
}
}
}
void
find_empty(x,y) /*
寻找虚拟环境中的空处，返回坐标
*/
int *x,*y;
'.
.
{
int ok;
ok=0;
while(ok==0)
{
*x=random(wx);*y=random(wy);
if(world[*x][*y]==0) ok=1;
}
}
void
make_world() /*
随机设定人工环境
*/
{
int
i,j,k,num,x,y;
int ok,overlap;
char choice[3];
double size;
wx=0;
while(wx<10||wx>MAX_WX)
{
setcolor(15);
disp_hz16(
虚拟环境长度
(10-60)
gscanf(3
00,210,4,0,3,
wx=atoi(choice);
}
wy=0;
while(wy<10||wy>MAX_WY)
{
setcolor(15);
disp_hz16(
虚拟环境宽度
(10-32)
gscanf(3
00,240,4,0,3,
wy=atoi(choice);
}
for(i=0;i
for(j=0;j
if(i==0||i==wy-1||j==0||j==wx-1)
world[j] [ i]=4;
else
world[j] [ i]=0;
/*
设定障碍物
*/
size=(double)(wx*wy);
num=(int)(size/40.0);
if(num>MAX_POP) num=MAX_POP;
for(i=0;i
{
find_empty(&x,&y);
'.
.
world[x][y]=4;
}
num=(int)(size/5.0);
if(num>MAX_FOOD) num=MAX_FOOD;
for(i=0;i
{
ok=0;
while(ok==0)
{
x=random(wx);y=random(wy);
if((world[x][y]!=4) &&
(world[x][y-1]==4 || world[x][y+1]==4
||
world[x-1][y]==4 ||
world[x+1][y]==4))
{ world[x][y]=4;
ok=1;
}
}
}
for(y=0;y
for(x=0;x
if(world[x][y]==0)
{
num=0;
for(i=-1;i<=1;i++)
for(j=-1;j<=1;j++)
if(get_world(x+j,y+i)==4)
num++;
if(num>=6)
world[x][y]=4;
}
/*
设定生物
*/
num=(int)(size*R_LIFE);
for(i=0;i
{
find_empty(&x,&y);
world[x][y]=random(2)+1;
}
/*
设定食物
*/
num=(int)(size*R_FOOD);
for(i=0;i
{
find_empty(&x,&y);
world[x][y]=3;
}
}
'.
.
void load_world_file() /*
读取虚拟环境数据文件设定
*/
{
FILE *fopen(),*fpt;
char st[100],c;
int i,j;
if((fpt=fopen(
else
{
fscanf(fpt,
fsca
nf(fpt,
for(i=0;i
for(j=0;j
fscanf(fpt,
fclose(fpt);
}
}
int get_world(x,y) /*
坐标
(x,y)
处环境值
*/
int x,y;
{
if(x>=0 && x
return(world[x][y]);
else
return(-1);
}
int decode_gene(n,sb,bw) /*
第
n
个个体基因型解码
*/
int n,sb,bw; /*
sb
开始位
bw
位长
*/
{
int i,sum;
sum=0;
for(i=sb;i
sum=sum*2+gene[n] [ i];
return(sum);
}
void move_pos(n,x1,y1,x2,y2) /*
个体
n
从
(x1,y1)
移动到
(x2,y2) */
int
n,x1,y1,x2,y2;
{
int
sp,loss;
loss=decode_gene(n,12,1)+1; /*
移动消耗
*/
iatr[n][2]=iatr[n][2]-loss; /*
内部能量更新
*/
if(iatr[n][2]<=0) remove_life(n);
'.
.
else
{
/*
个体属性更新
*/
iatr[n][0]=x2;iatr[n][1]=y2; /*
x,y
坐标更新
*/
/*
显示更新
*/
sp=gene[n][0]+1;
g_disp_unit(x1,y1,0); /*
当前位
置
(x,y)
图形消除
*/
world[x1][y1]=0;
g_disp_unit(x2,y2,sp); /*
新位置图形表示
*/
world[x2][y2]=sp;
}
}
void
move_randomly(n) /*
个体
n
按照移动模式随机移动
*/
int n;
{
/*
基本移动模式
1 */
int
pat1[8][2]={{1,0},{1,1},{0,1},{-1,1},
{-1,0},{-1,-1},{0,-1},{1,-1}};
/*
基本移动模式
2
与
3 */
int
pat2_3[2][4][2]={{{1,0},{0,1},{-1,0},{0,-1}},
{{1,1},{-1,1},{-1,-1},{1,-1}}};
int pat,x1,y1,x2,y2,rndnum;
pat=decode_gene(n,7,2);
/*
pat(0,1,2,3):
表示基本移动模式
*/
x1=iatr[n][0]; /*
当前
x
坐标
*/
y1=iatr[n][1]; /*
当前
y
坐标
*/
if(pat<=1) /*
基本移动模式
1 */
{
rndnum=random(8);
x2=x1+pat1[rndnum][0]; /*
移动
目的点
x
坐标
*/
y2=y1+pat1[rndnum][1]; /*
移动目的点
y
坐标
*/
}
else /* <
/p>
基本移动模式
2
与
3 */
{
rndnum=random(4);
x2=x1+pat2_3[pat-2][rndnum][0];
y2=y1+pat2_3[pat-2][rndnum][1];
}
if(x2>=0 && x2
if(get_world(x2,y2)==0)
move_pos(n,x1,y1,x2,y2);
/*
非法目的点的场合不作移动
*/
'.
-
-
-
-
-
-
-
-
-
上一篇：192灯光控台使用说明书
下一篇：纸种中英文标准术语对照