【正文】 再次向給與我極大幫助的 林 老師和各位同學表示衷心感謝。在這次的畢業(yè)設計中，從論文的開題，函數(shù)模型的建立，遺傳算法研究，直至最后程序的設計， 林 老師都傾注了大量心血。對算法的來龍去脈搞得透徹的同時，提出自己的想法。 10 次實驗的進化代數(shù)與收斂值對比結果如表 1 所示。 y=pow((x114),2)/。 j=j+2。 newpop[j+1].fitness=objfunc(newpop[j+1].x)。 newpop[j].parent1=mate1。 if(ffoldpop[mate2].fitness) ff=oldpop[mate2].fitness。 j=0。 else pm=p_4。(2 )( k ff? 函數(shù)程序： int flipmutate(double probability) { double pm。 //如果是 0 則改成 1 } 12 if(ch) return 1。 mutate=flipmutate(pmutation)。 return 0。 Enn=(sqrt(2*log(*rand()/RAND_MAX))*cos(2*Pi**rand()/RAND_MAX))*He+En。 srand((unsigned)time(NULL))。( k ff ?39。 交叉概率 cp 由云模型產(chǎn)生，公式如下： fx?E 1m ax /)( cffEn ?? 2/cEnHe? ),(39。 } 備注： ? 函數(shù)的三個參數(shù) (char *parent1,char *parent2,int k5) ， parent1 和 parent2 分別使要交叉的兩個染色體， k5 是其生成子代的數(shù)組下標（生成的第一個子代存放 在染色體數(shù)組 [k5]中，第二個子代存放在染色體數(shù)組 [k5＋ 1]）。 newpop[k5].chrom[j]=mutation(parent1[j])。 newpop[k5+1].chrom[j]=mutation(parent1[j])。jlchrom。 newpop[k5].chrom[j]=mutation(parent1[j])。 } else jcross=lchrom。 } 交叉 和交叉概率 (1) 交叉 交叉將染色體的基因進行互換，從而產(chǎn)生新的后代，本文采用單點交叉：隨機選取某個基因位，從此位開始交換兩父本后面的序列，相應地產(chǎn)生兩個后代，實例如下： 9 父本 1： 87654321 , ???????? 父本 2： 87654321 , ???????? 子代 1： 87654321 , ???????? 子代 2： 87654321 , ???????? 程序中的交叉： int crossover(char *parent1,char *parent2,int k5) //交叉 { int j。 }while((partsumrand1)amp。 j=0。 輪盤賭，就是積累概率來實現(xiàn)的 ，通常適應度大的被選擇的幾率較高。其二：五位二進制的范圍－ 0~31 包括函數(shù)的解“ X＝ 14”。 oldpop[j].parent2=0。j1++) oldpop[j].chrom[j1]=(int)(2*rand()/(RAND_MAX+))。 //采用當前時間為隨機種子，保證每次的隨機數(shù)都不一樣 for(j=0。 3 函數(shù)優(yōu)化實現(xiàn) 目標函數(shù)為： 100/)14( 2100)( ??? xexf 式中 x 的取值范圍是 1～ 31， 求 f（ x）的最大值。(2 )( EnExfey ??? [16]； 5）令 y 為 x 屬于定性概念 A 的確定度； 6）（ x， y）完整的反映了這一次定性定量轉換的全部內容； 7）重復 1） ~6）直到產(chǎn)生 N 個云滴為止。 如下圖 23 所示： 圖 23 正態(tài)云發(fā)生器示意圖 [15] 一維正向云發(fā)生器算法描述 如下： 輸入：表示定性概念的 A 三個數(shù)字特征值 Ex， En， He 和云滴數(shù) N。例如 十幾公里 就是一個不確定的語言值，它的云模型表示如圖 22 所示。熵還反映了定性概念的不確定性 , 表示在論域空間可以被定性概念接受的取值范圍大小 , 即模糊度 , 是定性概念亦此亦彼性的度量，也即云層的陡峭程度， En 越小，云層越陡峭。 云的數(shù)字特征 正態(tài)云模型用相互獨立的一組參數(shù)共同表達一個定性概念的數(shù)字特征 , 反映概念的不確定性。所有這些都體現(xiàn)了模糊性和隨機性的關聯(lián)性 [11]。 云方法提出用 3 個數(shù)字特征 (期望值 , 熵 , 超熵 ) 來描述整個云團 , 實現(xiàn)定性和定量之間的轉換 [9]。 （ 3） 遺傳算法對優(yōu)化問題的變量編碼后，其計算過程比較簡單，且可以較快地得到一個滿意解。 （ 3）按交叉、變異后就更新當前最優(yōu)染色體 ，之后再進行種群選取的進化循環(huán)過程。 （ 9）終止計算，輸出最優(yōu)結果 [7]。 （ 2）隨機產(chǎn)生 N 個染色體的初始群體 ? ?? ?0pop ?kk ， 。這三個算子一般都按一定的種群選擇概率、交配概 率和變異概率隨機地進行，造成遺傳中的子代和父代的不同和差異。 （ 3） 遺傳算子包括復制算子、交配算子和變異算子。 遺傳算法一般由 4 個部分組成：編碼與解碼、適應函數(shù)、遺傳算子和控制參數(shù)： （ 1） 由設計空間向遺傳算法編碼空間的映射稱為編碼；而由編碼空間向設計空間的映射稱為解碼。在求解過程中，遺傳算法從一個初始變量群體開始，一代一代地尋找問題的最優(yōu)解，直到滿足收斂叛據(jù)或預先設定的迭代次數(shù)為止。在遺傳學中認為，遺傳是作為一種指令遺傳密碼封裝在每個細胞中 ，并以基因的形式包含在 4 染色體中，每個基因有特殊的位置并控制某個特殊的性質。 教授的《 Adaptation in Natural and Artificial Systems》一書的問世標志著遺傳算法的誕生。具有遺傳基因染色體的個體對環(huán)境有不同的適應性。操作過程中 針對各變量均為離散型變量只 采用了整數(shù)編碼 。 2） 函數(shù)最大值 模型的建立 。行為主義學派模擬這種物競天擇、適者生存的生物群體進化過程，提出了演化計算（ Evolutionary Computation,EC）的方法。s randomness and stable tendentiousness and probabilities of crossover and mutation which are produced by normal clouds generator to realize function optimization. The experimental results show that pared with standard geic algorithm, cloud geic algorithm can converge through less evolution generation, which enhances the convergence speed. Key words: Geic Algorithm。 其中函數(shù)優(yōu)化 是對遺傳算法進行性能評價的常用算例，可以用各種各樣的函數(shù)來驗證遺傳算法的性能。 本文 介紹了遺傳算法和云模型的基本原理，在 VC 環(huán)境下， 結合正態(tài)云模型云滴的隨機性和穩(wěn)定傾向性，由 正態(tài) 云發(fā)生器產(chǎn)生自適應交叉概率和變異概率 ，實現(xiàn)了函數(shù)優(yōu)化。 Cloud Model。 遺傳算法（ Geic Algorithm）是模擬 達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型， 是一種通過模擬自然進化過程搜索最優(yōu)解的方法，它最初由美國 Michigan大學 1975年首先提出來的，并出版了頗有影響的專著《 Adaptation in Natural and Artificial Systems》，