人工智能(遗传算法)

遗传算法实验报告

实验目的

1． 熟悉和掌握遗传算法的原理、实质 2． 学会使用遗传算法解决问题 3． 学会编写遗传算法程序寻找函数最值

实验原理

遗传算法是仿真生物遗传学和自然选择机理，通过人工方式所构造的一类搜

索算法，从某种程度上说遗传算法是对生物进化构成进行的数学方式仿真。在遗传算法中染色体对应的是一系列符号序列，在标准的遗传算法(即基本遗传算法)中，通常用0, 1组成的位串表示，串上各个位置对应基因座，各位置上的取值对应等位基因。遗传算法对染色体进行处理，染色体称为基因个体。一定数量的基因个体组成基因种群。种群中个体的数目为种群的规模，各个体对环境的适应程度称为适应度。

实验条件

1. Window NT/xp/7及以上的操作系统 2. 内存在512M以上 3. CPU在奔腾II以上

实验内容

1. 用遗传算法解决下面函数的极大值问题。

f(x)x 其中 x[0,31]

精品资料

2______________________________________________________________________________________________________________

2. 遗传算法的具体实施策略不限，最好用MATLAB 实验分析

1. 遗传算法基本步骤

① 选择目标函数，确定变量定义域及编码精度，形成编码方案 ② 随机产生一个规模为 （即该种群中含有个体）的种群 ③ 对被选择进入匹配池中的个体进行交叉操作，形成新种群 ④ 以小概率在种群 中选择个体进行变异操作形成新种群 ⑤ 计算每个个体的适值

⑥ 根据适值概率选择 个新个体形成新种群

⑦ 检查结束条件，若满足则算法结束，当前种群中适值最高的个体即所

求解；否则转③

2. 遗传算法的优点

① 遗传算法以控制变量的编码作为运算对象。这种对控制变量的编码处理方式，可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地处理各种变量和应用遗传操作算子。 ② 遗传算法具有内在的本质并行性。 ③ 遗传算法直接以目标函数值作为搜索信息。

④ 遗传算法是采用概率的变迁规则来指导它的搜索方向，其搜索过程朝着搜索空间的更优化的解区域移动，它的方向性使得它的效率远远高于一般的随机算法。

⑤ 原理简单，操作方便，占用内存少，适用于计算机进行大规模计算，尤其适合处理传统搜索方法难以解决的大规模、非线性组合复杂优化

精品资料

______________________________________________________________________________________________________________

问题。

⑥ 由于遗传基因串码的不连续性，所以遗传算法处理非连续混合整数规划时有其独特的优越性，而且使得遗传算法对某些病态结构问题具有很好的处理能力。

⑦ 遗传算法同其他算法有较好的兼容性。如可以用其他的算法求初始解；在每一代种群，可以用其他的方法求解下一代新种群。

实验步骤

算法流程图

精品资料

______________________________________________________________________________________________________________

开始初始化，输入原始参数及给定参数，gen=1染色体编码，产生初始群体计算种群中每个个体的适应值终止条件的判断？Ngen=gen+1选择交叉Y变异新种群输出结果结束

程序代码 #include #include #include typedef struct {

精品资料

______________________________________________________________________________________________________________

int code; //染色体 int degree;//适应度

}Indi;

Indi group[40];//种群规模为40 void Judge(Indi &x) { }

int happened(double p)//发生一个p=0~1间概率的事件 { }

void Cross(Indi &x,Indi &y)//交叉操作 {

Indi z,z1; int temp,temp1; temp=x.code&0x3; temp1=y.code&0x3; z.code=x.code-temp+temp1; z1.code=y.code-temp1+temp; Judge(z); Judge(z1);

if(x.degree精品资料

x.degree=x.code*x.code;

return rand()<(int)(p*RAND_MAX);

if(z.degree>=x.degree) //如果新个体不如双亲，淘汰之 x=z;

______________________________________________________________________________________________________________

}

{ }

if(x.degreeif(z1.degree>=y.degree) y=z1;

if(z1.degree>=x.degree) //如果新个体不如双亲，淘汰之 x=z1;

if(z.degree>=y.degree) y=z;

int main(void) {

Indi indidest; int i,j,best,x,y,c; int sum,strick,SUM=0; static int n=0; srand(time(NULL));

for(i=0;i<40;++i)//随机得到初始种群 { }

for(i=1;i<=10;++i)//固定进化10代

精品资料

group[i].code=rand()%32; Judge(group[i]);

______________________________________________________________________________________________________________

}

{ } return 0;

for(sum=0,best=0,j=0;j<40;++j) { }

printf(\"第%2d代中 最优个体为 %d (%d) 平均适应度 { }

strick=(int)((float)rand()/RAND_MAX*sum); //赌盘中的for(x=0;x<40&&strick>=group[x].degree;++x)

strick-=group[x].degree;

strick=(int)((float)rand()/RAND_MAX*sum); for(y=0;y<40&&strick>=group[y].degree;++y)

strick-=group[y].degree; Cross(group[x],group[y]);//交叉 if(happened(0.9))

i,group[best].code,group[best].degree,sum/40.0); sum+=group[j].degree;//求总的适应度sum if(group[j].degree>group[best].degree) { }

best=j;//求当前最优个体

为 %10f\\n\

for(c=40;c;--c)

色子，选择个体x,y

精品资料

______________________________________________________________________________________________________________

程序运行效果图

个人实验小结

通过本次实验，我了解了遗传算法具体的解决问题的过程，熟悉和掌握遗传算法的原理、实质，学会了使用遗传算法解决问题，同时也发现了遗传算法的缺点：早熟。这是最大的缺点，即算法对新空间的探索能力是有限的，也容易收敛到局部

最优解；大量计算。涉及到大量个体的计算，当问题复杂时，计算时间是个问题；处理规

模小。目前对于维数较高的问题，还是很难处理和优化的；难于处理非线性约束。对非线性约束的处理，大部分算法都是添加惩罚因子，这是一笔不小的开支；稳定性差。因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。实验过程中巩固了所学的知识，通过实验也提高了自己的编程和思维能力，

精品资料

______________________________________________________________________________________________________________

收获很多。

精品资料

______________________________________________________________________________________________________________

Welcome To Download !!!

欢迎您的下载，资料仅供参考！

精品资料