for(i=0i<12i++)
{
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,"0")
else
g_text(x+(j-bits [ i][0])*16,y,4,"1")
}
}
}
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,"0")break
case 1: strcpy(c,"+")break
case 2: strcpy(c,"-")break
case 3: strcpy(c,"x")
}
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=0y<wyy++)
for(x=0x<wxx++)
{
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=1i<G_LENGTHi++)
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)",10,210,20)
gscanf(300,210,4,0,3,"%s",choice)
wx=atoi(choice)
}
wy=0
while(wy<10||wy>MAX_WY)
{
setcolor(15)
disp_hz16("虚拟环境宽度(10-32)",10,240,20)
gscanf(300,240,4,0,3,"%s",choice)
wy=atoi(choice)
}
for(i=0i<wyi++)
for(j=0j<wxj++)
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=0i<numi++)
{
find_empty(&x,&y)
world[x][y]=4
}
num=(int)(size/5.0)
if(num>MAX_FOOD) num=MAX_FOOD
for(i=0i<numi++)
{
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=0y<wyy++)
for(x=0x<wxx++)
if(world[x][y]==0)
{
num=0
for(i=-1i<=1i++)
for(j=-1j<=1j++)
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=0i<numi++)
{ find_empty(&x,&y)
world[x][y]=random(2)+1
}
/* 设定食物 */
num=(int)(size*R_FOOD)
for(i=0i<numi++)
{
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("\ga\world","r"))==NULL) exit(-1)
else
{
fscanf(fpt,"%d",&wx)
fscanf(fpt,"%d",&wy)
for(i=0i<wyi++)
for(j=0j<wxj++)
fscanf(fpt,"%d",&world[j] [ i])
fclose(fpt)
遗传算法我懂，我的论文就是用着这个算法，具体到你要遗传算法是做什么？优化什么的。。。我给你一个标准遗传算法程序供你参考：该程序是遗传算法优化BP神经网络函数极值寻优：
%% 该代码为基于神经网络遗传算法的系统极值寻优
%% 清空环境变量
clc
clear
%% 初始化遗传算法参数
%初始化参数
maxgen=100%进化代数，即迭代次数
sizepop=20 %种群规模
pcross=[0.4] %交叉概率选择，0和1之间
pmutation=[0.2] %变异概率选择，0和1之间
lenchrom=[1 1] %每个变量的字串长度，如果是浮点变量，则长度都为1
bound=[-5 5-5 5] %数据范围
individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]) %将种群信息定义为一个结构体
avgfitness=[] %每一代种群的平均适应度
bestfitness=[]%每一代种群的最佳适应度
%% 初始化种群计算适应度值
% 初始化种群
for i=1:sizepop
%随机产生一个种群
individuals.chrom(i,:)=Code(lenchrom,bound)
x=individuals.chrom(i,:)
%计算适应度
individuals.fitness(i)=fun(x) %染色体的适应度
end
%找最好的染色体
[bestfitness bestindex]=min(individuals.fitness)
bestchrom=individuals.chrom(bestindex,:) %最好的染色体
avgfitness=sum(individuals.fitness)/sizepop%染色体的平均适应度
% 记录每一代进化中最好的适应度和平均适应度
trace=[avgfitness bestfitness]
%% 迭代寻优
% 进化开始
for i=1:maxgen
i
% 选择
individuals=Select(individuals,sizepop)
avgfitness=sum(individuals.fitness)/sizepop
%交叉
individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound)
% 变异
individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound)
% 计算适应度
for j=1:sizepop
x=individuals.chrom(j,:)%解码
individuals.fitness(j)=fun(x)
end
%找到最小和最大适应度的染色体及它们在种群中的位置
[newbestfitness,newbestindex]=min(individuals.fitness)
[worestfitness,worestindex]=max(individuals.fitness)
% 代替上一次进化中最好的染色体
if bestfitness>newbestfitness
bestfitness=newbestfitness
bestchrom=individuals.chrom(newbestindex,:)
end
individuals.chrom(worestindex,:)=bestchrom
individuals.fitness(worestindex)=bestfitness
avgfitness=sum(individuals.fitness)/sizepop
trace=[traceavgfitness bestfitness]%记录每一代进化中最好的适应度和平均适应度
end
%进化结束
%% 结果分析
[r c]=size(trace)
plot([1:r]',trace(:,2),'r-')
title('适应度曲线','fontsize',12)
xlabel('进化代数','fontsize',12)ylabel('适应度','fontsize',12)
axis([0,100,0,1])
disp('适应度 变量')
x=bestchrom
% 窗口显示
disp([bestfitness x])
