基于遗传算法的排课系统

3.4.4.1重温轮盘赌选择 (Roulette Whell Selection Revisited ) SGenome& CgaBob::RouletteWheelSelection() { double fSlice = RandFloat()*m_dTotalFitnessScore; 我们从零到整个适应分范围内随机选取了一实数fSlice 。 我喜欢把此数看作整个适应性分数饼图中的一块，如早先在图3.4中所示。 〔但并不是其中一块，译注〕 double cfTotal = O; int SelectedGenome = 0; for (int i=O; i<m_iPopSize; ++i) { cfTotal += m_vecGenomes[i].dFitness; if (cfTotal > fSlice) { SelectedGenome = i; break; } } return m_vecGenomes[SelectedGenome]; } 现在，程序通过循环来考察各基因组，把它们相应的适应性分数一个一个累加起来，直到这一 部分累加和 大于 fSlice 值时， 就返回该基因组。就是这样简单。 3.4.4.2 重温杂交操作（Crossover Revisited） 这一函数要求2个染色体在同一随机位置上断裂开，然后将它们在断开点以后的部分进行互换，以形成 2 个新的染色体 ( 子代 ) 。 void CgaBob::Crossover( const vector<int> &mum, const vector<int> &dad, vector<int> &baby1, vector<int> &baby2) { 这一函数共传入 4 个参数，参数传递均采用引用（ reference ）方式， 其中前2 个传入父辈 parent 的染色体（别忘记 , 染色体只是一个整数型的矢量std::vector ）， 后 2 个则是用来 copy 子代染色体的空矢量。 if ( (RandFloat() > m_dCrossoverRate) || (mum == dad) ) { baby1 = mum; baby2 = dad; return; } 这里，首先是进行检测，看 mum 和 dad 两个上辈是否需要进行杂交。 杂交发生的概率是由参数 m_dCrossoverRate 确定。 如果不发生杂交，则2个上辈染色体不作任何改变地就直接复制为子代，函数立即返回。 int cp = RandInt(0, m_iChromoLength - 1) ； 沿染色体的长度随机选择一个点来裂开染色体。 for (int i=0; i<cp; i++) { baby1.push_back(mum[i]); baby2.push_back(dad[i]); } for (i=cp; i<mum.size(); i++) { baby1.push_back(dad[i]); baby2.push_back(mum[i]);} 这两个小循环把 2 个 parent 染色体在杂交点（ CP,crossover point ） 以后的所有位进行了互换，并把新的染色体赋给了 2 个子代 : baby1 和 baby2 。 3.4.4.3 重温变异操作（Mutation Revisited） 这一函数所做的工作，不过就是沿着一个染色体的长度，一bit一bit地进行考察，并按m_dMutationRate给定的几率，将其中某些bit实行翻转。 void CgaBob::Mutate(vector<int> &vecBits) { for (int curBit=0; curBit<vecBits.size(); curBit++) { //是否要翻转此bit? if (RandFloat() < m_dMutationRate) ( //是，就翻转此bit vecBits[curBit] = !vecBits[curBit]; } }//移到下一个bit }