2024年10月什么是网页代码？求遗传算法（GA）C语言代码

　　⑴什么是网页代码？求遗传算法（GAC语言代码

　　⑵%遗传算法子程序%Name:mutation.m%变异function[newpop]=mutation(pop,pm)[px,py]=size(pop);newpop=ones(size(pop));fori=:pxif(rand《pm)mpoint=round(rand*py);ifmpoint《=mpoint=;endnewpop(i)=pop(i);ifany(newpop(i,mpoint))==newpop(i,mpoint)=;elsenewpop(i,mpoint)=;endelsenewpop(i)=pop(i);endend%.求出群体中最大得适应值及其个体%遗传算法子程序%Name:best.m%求出群体中适应值最大的值function[bestindividual,bestfit]=best(pop,fitvalue)[px,py]=size(pop);bestindividual=pop(,:);bestfit=fitvalue();fori=:pxiffitvalue(i)》bestfitbestindividual=pop(i,:);bestfit=fitvalue(i);endend%.主程序%遗传算法主程序%Name:genmain.mclearclfpopsize=;%群体大小chromlength=;%字符串长度（个体长度pc=.;%交叉概率pm=.;%变异概率pop=initpop(popsize,chromlength);%随机产生初始群体fori=:%为迭代次数[objvalue]=calobjvalue(pop);%计算目标函数fitvalue=calfitvalue(objvalue);%计算群体中每个个体的适应度[newpop]=selection(pop,fitvalue);%复制[newpop]=crossover(pop,pc);%交叉[newpop]=mutation(pop,pc);%变异[bestindividual,bestfit]=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值y(i)=max(bestfit);n(i)=i;pop=bestindividual;x(i)=decodechrom(pop,,chromlength)*/;pop=newpop;endfplot(’*sin(*x)+*cos(*x)’,[])holdonplot(x,y,’r*’)holdoff[zindex]=max(y);%计算最大值及其位置x=x(index)%计算最大值对应的x值y=z【问题】求f(x)=x*sin(x)*cos(x)的最大值,%遗传算法子程序%Name:calobjvalue.m%实现目标函数的计算function[objvalue]=calobjvalue(pop)temp=decodechrom(pop,,);%将pop每行转化成十进制数x=temp*/;%将二值域中的数转化为变量域的数objvalue=*sin(*x)+*cos(*x);%计算目标函数值%.计算个体的适应值%遗传算法子程序%Name:calfitvalue.m%计算个体的适应值functionfitvalue=calfitvalue(objvalue)globalCmin;Cmin=;[px,py]=size(objvalue);fori=:pxifobjvalue(i)+Cmin》temp=Cmin+objvalue(i);elsetemp=.;endfitvalue(i)=temp;endfitvalue=fitvalue’;%.选择复制%选择或复制操作是决定哪些个体可以进入下一代,%长度大小取决于变量的二进制编码的长度(在本例中取位),%遗传算法子程序%Name:decodechrom.m%将二进制编码转换成十进制functionpop=decodechrom(pop,spoint,length)pop=pop(:,spoint:spoint+length-);pop=decodebinary(pop);%..计算目标函数值%calobjvalue.m函数的功能是实现目标函数的计算,成为第t=t+代种群%遗传算法子程序%Name:selection.m%选择复制function[newpop]=selection(pop,fitvalue)totalfit=sum(fitvalue);%求适应值之和fitvalue=fitvalue/totalfit;%单个个体被选择的概率fitvalue=cumsum(fitvalue);%如fitvalue=[],将二进制转化为十进制functionpop=decodebinary(pop)[px,py]=size(pop);%求pop行和列数fori=:pypop(:,i)=.^(py-i).*pop(:,i);endpop=sum(pop,);%求pop的每行之和%..将二进制编码转化为十进制数()%decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制,尤其是还没有编程经验的非常有用的一个文件遗传算法实例%下面举例说明遗传算法%%求下列函数的最大值%%f(x)=*sin(x)+*cos(x)x∈[,]%%将x的值用一个位的二值形式表示为二值问题,%.计算目标函数值%..将二进制数转化为十进制数()%遗传算法子程序%Name:decodebinary.m%产生[^n^(n-)...]的行向量。

　　⑶网页代码就是网页的组成语言,就等于电脑的语言是汇编语言一样,代码有HTML,ASP,JAVA等等。转为进制应该为BCE，你计错了,十六进制是E大于小于的十进制数转为进制只需要把数除以按余数排就行了，跟化进制差不多.区别是二进制是由低往高顺序排，进制是由高往低顺序排你去学html、asp、php、···语言如果是要看网页的就这样查看-----源文件就行了

　　⑷求遗传算法（GAC语言代码

　　⑸x=;for(i=;i《;i++){y=+i*;for(j=bits[i];j《=bits[i];j++)if(g[j]==)g_text(x+(j-bits[i])*,y,,““);elseg_text(x+(j-bits[i])*,y,,““);}}}voidg_disp_char(x,y,x,y,x,y,v)intx,y,x,y,x,y;unsignedcharv;{charc;if(x》=x&&x《=x-&&y》=y&&y《=y-){switch(v){case:strcpy(c,““);break;case:strcpy(c,“+“);break;case:strcpy(c,“-“);break;case:strcpy(c,“x“);}g_text(x,y,,c);}}voidremove_life(n)/*消除第n个个体*/intn;{iflg[n]=;world[iatr[n]][iatr[n]]=;g_disp_unit(iatr[n],iatr[n],);if(food_size+《=MAX_FOOD){food_size++;fatr[food_size-]=iatr[n];fatr[food_size-]=iatr[n];fatr[food_size-]=;fatr[food_size-]=;fflg[food_size-]=;world[iatr[n]][iatr[n]]=;g_disp_unit(iatr[n],iatr[n],);}}voidremove_food(n)/*消除第n个食物*/intn;{fflg[n]=;world[fatr[n]][fatr[n]]=;g_disp_unit(fatr[n],fatr[n],);}voidmake_lives_and_foods()/*设置虚拟环境中生物与食物*/{intx,y,i,j;pop_size=;food_size=;for(y=;y《wy;y++)for(x=;x《wx;x++){if(world[x][y]==||world[x][y]==){if(pop_size+《=MAX_POP){pop_size++;/*生成遗传因子*/gene[pop_size-]=world[x][y]-;for(i=;i《G_LENGTH;i++)gene[pop_size-][i]=random();/*设定属性*/iatr[pop_size-]=x;iatr[pop_size-]=y;iatr[pop_size-]=+random();iatr[pop_size-]=random(SL_MIN);}}if(world[x][y]==||world[x][y]==){if(food_size+《=MAX_FOOD){food_size++;/*设定属性*/fatr[food_size-]=x;fatr[food_size-]=y;if(world[x][y]==)fatr[food_size-]=;elsefatr[food_size-]=;fatr[food_size-]=random(TL-)+;}}}}voidfind_empty(x,y)/*寻找虚拟环境中的空处，返回坐标*/int*x,*y;{intok;ok=;while(ok==){*x=random(wx);*y=random(wy);if(world[*x][*y]==)ok=;}}voidmake_world()/*随机设定人工环境*/{inti,j,k,num,x,y;intok,overlap;charchoice;doublesize;wx=;while(wx《||wx》MAX_WX){setcolor();disp_hz(“虚拟环境长度(-)“,,,);gscanf(,,,,,“%s“,choice);wx=atoi(choice);}wy=;while(wy《||wy》MAX_WY){setcolor();disp_hz(“虚拟环境宽度(-)“,,,);gscanf(,,,,,“%s“,choice);wy=atoi(choice);}for(i=;i《wy;i++)for(j=;j《wx;j++)if(i==||i==wy-||j==||j==wx-)world[j][i]=;elseworld[j][i]=;/*设定障碍物*/size=(double)(wx*wy);num=(int)(size/.);if(num》MAX_POP)num=MAX_POP;for(i=;i《num;i++){find_empty(&x,&y);world[x][y]=;}num=(int)(size/.);if(num》MAX_FOOD)num=MAX_FOOD;for(i=;i《num;i++){ok=;while(ok==){x=random(wx);y=random(wy);if((world[x][y]!=)&&(world[x][y-]==||world[x][y+]==||world[x-][y]==||world[x+][y]==)){world[x][y]=;ok=;}}}for(y=;y《wy;y++)for(x=;x《wx;x++)if(world[x][y]==){num=;for(i=-;i《=;i++)for(j=-;j《=;j++)if(get_world(x+j,y+i)==)num++;if(num》=)world[x][y]=;}/*设定生物*/num=(int)(size*R_LIFE);for(i=;i《num;i++){find_empty(&x,&y);world[x][y]=random()+;}/*设定食物*/num=(int)(size*R_FOOD);for(i=;i《num;i++){find_empty(&x,&y);world[x][y]=;}}voidload_world_file()/*读取虚拟环境数据文件设定*/{FILE*fopen(),*fpt;charst,c;inti,j;if((fpt=fopen(“gaworld“,“r“))==NULL)exit(-);else{fscanf(fpt,“%d“,&wx);fscanf(fpt,“%d“,&wy);for(i=;i《wy;i++)for(j=;j《wx;j++)fscanf(fpt,“%d“,&world[j][i]);fclose(fpt);

　　⑹遗传算法实例:也是自己找来的，原代码有少许错误，本人都已更正了，调试运行都通过了的。对于初学者，尤其是还没有编程经验的非常有用的一个文件遗传算法实例%下面举例说明遗传算法%%求下列函数的最大值%%f(x)=*sin(x)+*cos(x)x∈[,]%%将x的值用一个位的二值形式表示为二值问题，一个位的二值数提供的分辨率是每为(-)/(^-)≈.。%%将变量域[,]离散化为二值域[,],x=+*b/,其中b是[,]中的一个二值数。%%%%--------------------------------------------------------------------------------------------------------------%%--------------------------------------------------------------------------------------------------------------%%编程%-----------------------------------------------%.初始化(编码)%initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，%长度大小取决于变量的二进制编码的长度(在本例中取位)。%遗传算法子程序%Name:initpop.m%初始化functionpop=initpop(popsize,chromlength)pop=round(rand(popsize,chromlength));%rand随机产生每个单元为{,}行数为popsize，列数为chromlength的矩阵，%roud对矩阵的每个单元进行圆整。这样产生的初始种群。%.计算目标函数值%..将二进制数转化为十进制数()%遗传算法子程序%Name:decodebinary.m%产生[^n^(n-)...]的行向量，然后求和，将二进制转化为十进制functionpop=decodebinary(pop)[px,py]=size(pop);%求pop行和列数fori=:pypop(:,i)=.^(py-i).*pop(:,i);endpop=sum(pop,);%求pop的每行之和%..将二进制编码转化为十进制数()%decodechrom.m函数的功能是将染色体(或二进制编码)转换为十进制，参数spoint表示待解码的二进制串的起始位置%(对于多个变量而言，如有两个变量，采用为表示，每个变量为，则第一个变量从开始，另一个变量从开始。本例为)，%参数ength表示所截取的长度（本例为。%遗传算法子程序%Name:decodechrom.m%将二进制编码转换成十进制functionpop=decodechrom(pop,spoint,length)pop=pop(:,spoint:spoint+length-);pop=decodebinary(pop);%..计算目标函数值%calobjvalue.m函数的功能是实现目标函数的计算，其公式采用本文示例仿真，可根据不同优化问题予以修改。%遗传算法子程序%Name:calobjvalue.m%实现目标函数的计算function[objvalue]=calobjvalue(pop)temp=decodechrom(pop,,);%将pop每行转化成十进制数x=temp*/;%将二值域中的数转化为变量域的数objvalue=*sin(*x)+*cos(*x);%计算目标函数值%.计算个体的适应值%遗传算法子程序%Name:calfitvalue.m%计算个体的适应值functionfitvalue=calfitvalue(objvalue)globalCmin;Cmin=;[px,py]=size(objvalue);fori=:pxifobjvalue(i)+Cmin》temp=Cmin+objvalue(i);elsetemp=.;endfitvalue(i)=temp;endfitvalue=fitvalue’;%.选择复制%选择或复制操作是决定哪些个体可以进入下一代。程序中采用赌轮盘选择法选择，这种方法较易实现。%根据方程pi=fi/∑fi=fi/fsum，选择步骤：%在第t代，由（式计算fsum和pi%产生{,}的随机数rand(.)，求s=rand(.)*fsum%求∑fi≥s中最小的k，则第k个个体被选中%进行N次、操作，得到N个个体，成为第t=t+代种群%遗传算法子程序%Name:selection.m%选择复制function[newpop]=selection(pop,fitvalue)totalfit=sum(fitvalue);%求适应值之和fitvalue=fitvalue/totalfit;%单个个体被选择的概率fitvalue=cumsum(fitvalue);%如fitvalue=[]，则cumsum(fitvalue)=[][px,py]=size(pop);ms=sort(rand(px,));%从小到大排列fitin=;newin=;whilenewin《=pxif(ms(newin))《fitvalue(fitin)newpop(newin)=pop(fitin);newin=newin+;elsefitin=fitin+;endend%.交叉%交叉(crossover)，群体中的每个个体之间都以一定的概率pc交叉，即两个个体从各自字符串的某一位置%（一般是随机确定开始互相交换，这类似生物进化过程中的基因分裂与重组。例如，假设个父代个体x，x为：%x=%x=%从每个个体的第位开始交叉，交又后得到个新的子代个体y，y分别为：%y＝%y＝%这样个子代个体就分别具有了个父代个体的某些特征。利用交又我们有可能由父代个体在子代组合成具有更高适合度的个体。%事实上交又是遗传算法区别于其它传统优化方法的主要特点之一。%遗传算法子程序%Name:crossover.m%交叉function[newpop]=crossover(pop,pc)[px,py]=size(pop);newpop=ones(size(pop));fori=::px-if(rand《pc)cpoint=round(rand*py);newpop(i,:)=[pop(i,:cpoint),pop(i+,cpoint+:py)];newpop(i+,:)=[pop(i+,:cpoint),pop(i,cpoint+:py)];elsenewpop(i,:)=pop(i);newpop(i+,:)=pop(i+);endend%.变异%变异(mutation)，基因的突变普遍存在于生物的进化过程中。变异是指父代中的每个个体的每一位都以概率pm翻转，即由“”变为“”，%或由“”变为“”。遗传算法的变异特性可以使求解过程随机地搜索到解可能存在的整个空间，因此可以在一定程度上求得全局最优解。%遗传算法子程序%Name:mutation.m%变异function[newpop]=mutation(pop,pm)[px,py]=size(pop);newpop=ones(size(pop));fori=:pxif(rand《pm)mpoint=round(rand*py);ifmpoint《=mpoint=;endnewpop(i)=pop(i);ifany(newpop(i,mpoint))==newpop(i,mpoint)=;elsenewpop(i,mpoint)=;endelsenewpop(i)=pop(i);endend%.求出群体中最大得适应值及其个体%遗传算法子程序%Name:best.m%求出群体中适应值最大的值function[bestindividual,bestfit]=best(pop,fitvalue)[px,py]=size(pop);bestindividual=pop(,:);bestfit=fitvalue();fori=:pxiffitvalue(i)》bestfitbestindividual=pop(i,:);bestfit=fitvalue(i);endend%.主程序%遗传算法主程序%Name:genmain.mclearclfpopsize=;%群体大小chromlength=;%字符串长度（个体长度pc=.;%交叉概率pm=.;%变异概率pop=initpop(popsize,chromlength);%随机产生初始群体fori=:%为迭代次数[objvalue]=calobjvalue(pop);%计算目标函数fitvalue=calfitvalue(objvalue);%计算群体中每个个体的适应度[newpop]=selection(pop,fitvalue);%复制[newpop]=crossover(pop,pc);%交叉[newpop]=mutation(pop,pc);%变异[bestindividual,bestfit]=best(pop,fitvalue);%求出群体中适应值最大的个体及其适应值y(i)=max(bestfit);n(i)=i;pop=bestindividual;x(i)=decodechrom(pop,,chromlength)*/;pop=newpop;endfplot(’*sin(*x)+*cos(*x)’,[])holdonplot(x,y,’r*’)holdoff[zindex]=max(y);%计算最大值及其位置x=x(index)%计算最大值对应的x值y=z【问题】求f(x)=x*sin(x)*cos(x)的最大值，其中《=x《=【分析】选择二进制编码，种群中的个体数目为，二进制编码长度为，交叉概率为.,变异概率为.【程序清单】%编写目标函数function[sol,eval]=fitness(sol,options)x=sol();eval=x*sin(*x)*cos(*x);%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega(,[],’fitness’);%生成初始种群，大小为[xendPop,bPop,trace]=ga([],’fitness’,,initPop,[e-],’maxGenTerm’,,’normGeomSelect’,...[.],[’arithXover’],,’nonUnifMutation’,[])%次遗传迭代运算借过为：x=..(当x为.时，f（x取最大值.)注：遗传算法一般用来取得近似最优解，而不是最优解。遗传算法实例【问题】在－《=Xi《=,i=,区间内，求解f(x,x)=-*exp(-.*sqrt(.*(x.^x.^)))-exp(.*(cos(*pi*x)cos(*pi*x))).的最小值。【分析】种群大小，最大代数，变异率.,交叉率.【程序清单】％源函数的matlab代码function[eval]=f(sol)numv=size(sol,);x=sol(:numv);eval=-*exp(-.*sqrt(sum(x.^)/numv)))-exp(sum(cos(*pi*x))/numv).;%适应度函数的matlab代码function[sol,eval]=fitness(sol,options)numv=size(sol,)-;x=sol(:numv);eval=f(x);eval=-eval;%遗传算法的matlab代码bounds=ones(,)*[-];[p,endPop,bestSols,trace]=ga(bounds,’fitness’)注：前两个文件存储为m文件并放在工作目录下，运行结果为p=.-..大家可以直接绘出f(x)的图形来大概看看f（x的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：fplot(’x*sin(*x)*cos(*x)’,[,])evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。【问题】求f(x)=x+*sin(x)+*cos(x)的最大值，其中《=x《=【分析】选择二进制编码，种群中的个体数目为，二进制编码长度为，交叉概率为.,变异概率为.【程序清单】%编写目标函数function[sol,eval]=fitness(sol,options)x=sol();eval=x+*sin(*x)+*cos(*x);%把上述函数存储为fitness.m文件并放在工作目录下initPop=initializega(,[],’fitness’);%生成初始种群，大小为[xendPop,bPop,trace]=ga([],’fitness’,,initPop,[e-],’maxGenTerm’,,’normGeomSelect’,...[.],[’arithXover’],,’nonUnifMutation’,[])%次遗传迭代运算借过为：x=..(当x为.时，f（x取最大值.)注：遗传算法一般用来取得近似最优解，而不是最优解。遗传算法实例【问题】在－《=Xi《=,i=,区间内，求解f(x,x)=-*exp(-.*sqrt(.*(x.^+x.^)))-exp(.*(cos(*pi*x)+cos(*pi*x)))+.的最小值。【分析】种群大小，最大代数，变异率.,交叉率.【程序清单】％源函数的matlab代码function[eval]=f(sol)numv=size(sol,);x=sol(:numv);eval=-*exp(-.*sqrt(sum(x.^)/numv)))-exp(sum(cos(*pi*x))/numv)+.;%适应度函数的matlab代码function[sol,eval]=fitness(sol,options)numv=size(sol,)-;x=sol(:numv);eval=f(x);eval=-eval;%遗传算法的matlab代码bounds=ones(,)*[-];[p,endPop,bestSols,trace]=ga(bounds,’fitness’)注：前两个文件存储为m文件并放在工作目录下，运行结果为p=.-..大家可以直接绘出f(x)的图形来大概看看f（x的最值是多少，也可是使用优化函数来验证。matlab命令行执行命令：fplot(’x+*sin(*x)+*cos(*x)’,[,])evalops是传递给适应度函数的参数，opts是二进制编码的精度，termops是选择maxGenTerm结束函数时传递个maxGenTerm的参数，即遗传代数。xoverops是传递给交叉函数的参数。mutops是传递给变异函数的参数。打字不易，如满意，望采纳。

　　⑺打开电脑在桌面上找到并点击IE浏览器，IE浏览器的操作也是类似步骤；

　　⑻点击进入浏览器主页以后，选择并点击你要查看网页源代码的网站，这里以新华网为例；

　　⑼点击进入新华网以后，在任意的空白部位点击鼠标右键，在下拉选项中选择“查看源”；

　　⑽点击选择查看源以后，在最右边的标记的红色框中就是网页的源代码。