遺傳演算法java調度,遺傳演算法解決車輛調度問題

本文目錄一覽：

• 1、如何用Java實現遺傳演算法？
• 2、遺傳演算法具體應用
• 3、使用java來實現在智能組卷中的遺傳演算法（急急急）
• 4、用JAVA實現遺傳演算法求最小值的問題，一直報錯，如下： 應該是越界拋的異常，如何解決呢
• 5、《Java遺傳演算法編程》pdf下載在線閱讀全文，求百度網盤雲資源

如何用Java實現遺傳演算法？

通過遺傳演算法走迷宮。雖然圖1和圖2均成功走出迷宮，但是圖1比圖2的路徑長的多，且複雜，遺傳演算法可以計算出有多少種可能性，並選擇其中最簡潔的作為運算結果。

示例圖1：

示例圖2：

實現代碼：

import java.util.ArrayList;

import java.util.Collections;

import java.util.Iterator;

import java.util.LinkedList;

import java.util.List;

import java.util.Random;

/**

* 用遺傳演算法走迷宮

*

* @author Orisun

*

*/

public class GA {

int gene_len; // 基因長度

int chrom_len; // 染色體長度

int population; // 種群大小

double cross_ratio; // 交叉率

double muta_ratio; // 變異率

int iter_limit; // 最多進化的代數

Listboolean[] individuals; // 存儲當代種群的染色體

Labyrinth labyrinth;

int width;      //迷宮一行有多少個格子

int height;     //迷宮有多少行

public class BI {

double fitness;

boolean[] indv;

public BI(double f, boolean[] ind) {

fitness = f;

indv = ind;

}

public double getFitness() {

return fitness;

}

public boolean[] getIndv() {

return indv;

}

}

ListBI best_individual; // 存儲每一代中最優秀的個體

public GA(Labyrinth labyrinth) {

this.labyrinth=labyrinth;

this.width = labyrinth.map[0].length;

this.height = labyrinth.map.length;

chrom_len = 4 * (width+height);

gene_len = 2;

population = 20;

cross_ratio = 0.83;

muta_ratio = 0.002;

iter_limit = 300;

individuals = new ArrayListboolean[](population);

best_individual = new ArrayListBI(iter_limit);

}

public int getWidth() {

return width;

}

public void setWidth(int width) {

this.width = width;

}

public double getCross_ratio() {

return cross_ratio;

}

public ListBI getBest_individual() {

return best_individual;

}

public Labyrinth getLabyrinth() {

return labyrinth;

}

public void setLabyrinth(Labyrinth labyrinth) {

this.labyrinth = labyrinth;

}

public void setChrom_len(int chrom_len) {

this.chrom_len = chrom_len;

}

public void setPopulation(int population) {

this.population = population;

}

public void setCross_ratio(double cross_ratio) {

this.cross_ratio = cross_ratio;

}

public void setMuta_ratio(double muta_ratio) {

this.muta_ratio = muta_ratio;

}

public void setIter_limit(int iter_limit) {

this.iter_limit = iter_limit;

}

// 初始化種群

public void initPopulation() {

Random r = new Random(System.currentTimeMillis());

for (int i = 0; i population; i++) {

int len = gene_len * chrom_len;

boolean[] ind = new boolean[len];

for (int j = 0; j len; j++)

ind[j] = r.nextBoolean();

individuals.add(ind);

}

}

// 交叉

public void cross(boolean[] arr1, boolean[] arr2) {

Random r = new Random(System.currentTimeMillis());

int length = arr1.length;

int slice = 0;

do {

slice = r.nextInt(length);

} while (slice == 0);

if (slice length / 2) {

for (int i = 0; i slice; i++) {

boolean tmp = arr1[i];

arr1[i] = arr2[i];

arr2[i] = tmp;

}

} else {

for (int i = slice; i length; i++) {

boolean tmp = arr1[i];

arr1[i] = arr2[i];

arr2[i] = tmp;

}

}

}

// 變異

public void mutation(boolean[] individual) {

int length = individual.length;

Random r = new Random(System.currentTimeMillis());

individual[r.nextInt(length)] ^= false;

}

// 輪盤法選擇下一代,並返回當代最高的適應度值

public double selection() {

boolean[][] next_generation = new boolean[population][]; // 下一代

int length = gene_len * chrom_len;

for (int i = 0; i population; i++)

next_generation[i] = new boolean[length];

double[] cumulation = new double[population];

int best_index = 0;

double max_fitness = getFitness(individuals.get(best_index));

cumulation[0] = max_fitness;

for (int i = 1; i population; i++) {

double fit = getFitness(individuals.get(i));

cumulation[i] = cumulation[i – 1] + fit;

// 尋找當代的最優個體

if (fit max_fitness) {

best_index = i;

max_fitness = fit;

}

}

Random rand = new Random(System.currentTimeMillis());

for (int i = 0; i population; i++)

next_generation[i] = individuals.get(findByHalf(cumulation,

rand.nextDouble() * cumulation[population – 1]));

// 把當代的最優個體及其適應度放到best_individual中

BI bi = new BI(max_fitness, individuals.get(best_index));

// printPath(individuals.get(best_index));

//System.out.println(max_fitness);

best_individual.add(bi);

// 新一代作為當前代

for (int i = 0; i population; i++)

individuals.set(i, next_generation[i]);

return max_fitness;

}

// 折半查找

public int findByHalf(double[] arr, double find) {

if (find  0 || find == 0 || find arr[arr.length – 1])

return -1;

int min = 0;

int max = arr.length – 1;

int medium = min;

do {

if (medium == (min + max) / 2)

break;

medium = (min + max) / 2;

if (arr[medium] find)

min = medium;

else if (arr[medium] find)

max = medium;

else

return medium;

} while (min max);

return max;

}

// 計算適應度

public double getFitness(boolean[] individual) {

int length = individual.length;

// 記錄當前的位置,入口點是（1,0）

int x = 1;

int y = 0;

// 根據染色體中基因的指導向前走

for (int i = 0; i length; i++) {

boolean b1 = individual[i];

boolean b2 = individual[++i];

// 00向左走

if (b1 == false  b2 == false) {

if (x  0  labyrinth.map[y][x – 1] == true) {

x–;

}

}

// 01向右走

else if (b1 == false  b2 == true) {

if (x + 1  width labyrinth.map[y][x + 1] == true) {

x++;

}

}

// 10向上走

else if (b1 == true  b2 == false) {

if (y  0  labyrinth.map[y – 1][x] == true) {

y–;

}

}

// 11向下走

else if (b1 == true  b2 == true) {

if (y + 1  height labyrinth.map[y + 1][x] == true) {

y++;

}

}

}

int n = Math.abs(x – labyrinth.x_end) + Math.abs(y -labyrinth.y_end) + 1;

//      if(n==1)

//          printPath(individual);

return 1.0 / n;

}

// 運行遺傳演算法

public boolean run() {

// 初始化種群

initPopulation();

Random rand = new Random(System.currentTimeMillis());

boolean success = false;

while (iter_limit–  0) {

// 打亂種群的順序

Collections.shuffle(individuals);

for (int i = 0; i population – 1; i += 2) {

// 交叉

if (rand.nextDouble() cross_ratio) {

cross(individuals.get(i), individuals.get(i + 1));

}

// 變異

if (rand.nextDouble() muta_ratio) {

mutation(individuals.get(i));

}

}

// 種群更替

if (selection() == 1) {

success = true;

break;

}

}

return success;

}

//  public static void main(String[] args) {

//      GA ga = new GA(8, 8);

//      if (!ga.run()) {

//          System.out.println(“沒有找到走出迷宮的路徑.”);

//      } else {

//          int gen = ga.best_individual.size();

//          boolean[] individual = ga.best_individual.get(gen – 1).indv;

//          System.out.println(ga.getPath(individual));

//      }

//  }

// 根據染色體列印走法

public String getPath(boolean[] individual) {

int length = individual.length;

int x = 1;

int y = 0;

LinkedListString stack=new LinkedListString();

for (int i = 0; i length; i++) {

boolean b1 = individual[i];

boolean b2 = individual[++i];

if (b1 == false  b2 == false) {

if (x  0  labyrinth.map[y][x – 1] == true) {

x–;

if(!stack.isEmpty() stack.peek()==”右”)

stack.poll();

else

stack.push(“左”);

}

} else if (b1 == false  b2 == true) {

if (x + 1  width labyrinth.map[y][x + 1] == true) {

x++;

if(!stack.isEmpty() stack.peek()==”左”)

stack.poll();

else

stack.push(“右”);

}

} else if (b1 == true  b2 == false) {

if (y  0  labyrinth.map[y – 1][x] == true) {

y–;

if(!stack.isEmpty() stack.peek()==”下”)

stack.poll();

else

stack.push(“上”);

}

} else if (b1 == true  b2 == true) {

if (y + 1  height labyrinth.map[y + 1][x] == true) {

y++;

if(!stack.isEmpty() stack.peek()==”上”)

stack.poll();

else

stack.push(“下”);

}

}

}

StringBuilder sb=new StringBuilder(length/4);

IteratorString iter=stack.descendingIterator();

while(iter.hasNext())

sb.append(iter.next());

return sb.toString();

}

}

遺傳演算法具體應用

1、函數優化

函數優化是遺傳演算法的經典應用領域，也是遺傳演算法進行性能評價的常用算例，許多人構造出了各種各樣複雜形式的測試函數：連續函數和離散函數、凸函數和凹函數、低維函數和高維函數、單峰函數和多峰函數等。

2、組合優化

隨著問題規模的增大，組合優化問題的搜索空間也急劇增大，有時在目前的計算上用枚舉法很難求出最優解。對這類複雜的問題，人們已經意識到應把主要精力放在尋求滿意解上，而遺傳演算法是尋求這種滿意解的最佳工具之一。

此外，GA也在生產調度問題、自動控制、機器人學、圖象處理、人工生命、遺傳編碼和機器學習等方面獲得了廣泛的運用。

3、車間調度

車間調度問題是一個典型的NP-Hard問題，遺傳演算法作為一種經典的智能演算法廣泛用於車間調度中，很多學者都致力於用遺傳演算法解決車間調度問題，現今也取得了十分豐碩的成果。

從最初的傳統車間調度（JSP）問題到柔性作業車間調度問題（FJSP），遺傳演算法都有優異的表現，在很多算例中都得到了最優或近優解。

擴展資料：

遺傳演算法的缺點

1、編碼不規範及編碼存在表示的不準確性。

2、單一的遺傳演算法編碼不能全面地將優化問題的約束表示出來。考慮約束的一個方法就是對不可行解採用閾值，這樣，計算的時間必然增加。

3、遺傳演算法通常的效率比其他傳統的優化方法低。

4、遺傳演算法容易過早收斂。

5、遺傳演算法對演算法的精度、可行度、計算複雜性等方面，還沒有有效的定量分析方法。

參考資料來源：百度百科-遺傳演算法

使用java來實現在智能組卷中的遺傳演算法（急急急）

題目好像是讓你做個增強版的List ，簡單的都實現了 程序架子大概是這樣，排序查找什麼的百度搜下 演算法很多，套著每樣寫個方法就行了，測試就在main『方法里寫

public class MyList {

    private String[] arr;

    private int count ;

    public MyList (int count){

        arr = new String[count];

        this.count = count;

    }

    public MyList (int[] intArr){

        arr = new String[intArr.length];

        this.count = intArr.length;

        for(int i=0;iintArr.length;i++){

            arr[i] = intArr[i]+””;

        }

    }

    public MyList (String[] stringArr){

        arr = stringArr;

        this.count = stringArr.length;

    }

    public int getLength(){

        return count;

    }

//清空容器內的數組。

    public void clearAll(){

        arr = new String[count];

    }

//通過給定元素下標來刪除某一元素

    public void removeBySeqn(int seqn){

        if(seqn = 0  seqncount){

                    arr[seqn] = null;

        }

    }

public static void main(String[] args){

    MyList  list = new MyList (40);

    MyList  list1 = new MyList ({3,2,125,56,123});

    MyList  list2 = new MyList ({“123”,””ad});

    list2.removeBySeqn(0);

    list1.clearAll();

}

}

用JAVA實現遺傳演算法求最小值的問題，一直報錯，如下： 應該是越界拋的異常，如何解決呢

具體遺傳演算法我沒研究過，但是這個異常是數組下標越界引起的，數組裡沒有數據，你去索引了第一個，肯定是哪裡不細心了，如果邏輯沒問題的話，在這一行(GeneticAlgorithmMin.java:102)加個判斷，數組長度為0就不索引，這樣就不會報錯。 不過我估計涉及到邏輯性的其他地方了，就算不報錯，程序也會有邏輯性問題，你給的資料不夠，我儘力了

《Java遺傳演算法編程》pdf下載在線閱讀全文，求百度網盤雲資源

《Java遺傳演算法編程》百度網盤pdf最新全集下載:

鏈接:

?pwd=xv3v 提取碼: xv3v

簡介：本書簡單、直接地介紹了遺傳演算法，並且針對所討論的示例問題，給出了Java代碼的演算法實現。全書分為6章。第1章簡單介紹了人工智慧和生物進化的知識背景，這也是遺傳演算法的歷史知識背景。第2章給出了一個基本遺傳演算法的實現；第4章和第5章，分別針對機器人控制器、旅行商問題、排課問題展開分析和討論，並給出了演算法實現。在這些章的末尾，還給出了一些練習供讀者深入學習和實踐。第6章專門討論了各種演算法的優化問題。