遗传算法课程心得体会.docxVIP

遗传算法课程心得体会 　　篇一：遗传算法实验报告 　　江南大学物联网工程学院实验报告 课程名称 人工智能 实验名称遗传算法 实验日期 XX-4-10 班级 计科1305姓名 游思睿 学号 实验报告要求1．实验名称 2．实验要求 3．实验环境 4．实验步骤 5．实验体会  　　一、实验目的：  　　基本了解遗传算法的原理和具体程序实现。  　　二、实验内容：  　　利用遗传算法计算二元函数的最大值  　　(1) 个体编码  　　遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种 符号串。本题中，用无符号二进制整数来表示。  　　因 x1, x2 为 0 ~ 7之间的整数，所以分别用3位无符号二进制整数来表示，将它 们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可 行解。  　　例如，基因型 X＝ 所对应的表现型是：x＝[ 5，6 ]。  　　个体的表现型x和基因型X之间可通过编码和解码程序相互转换。  　　(2) 初始群体的产生  　　遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始 群体数据。  　　本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机方法产生。  　　如：，，，  　　(3) 适应度汁算  　　遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传 机会的大小。  　　本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接 利用目标函数值作为个体的适应度。  　　(4) 选择运算  　　选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代  　　群体中。 　　本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中 　　的数量。其具体操作过程是：  　　? 先计算出群体中所有个体的适应度的总和 ?fi ( i=,…,M );  　　? 其次计算出每个个体的相对适应度的大小 fi / ?fi ，它即为每个个体被遗传  　　到下一代群体中的概率，  　　? 每个概率值组成一个区域，全部概率值之和为1；  　　? 最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区  　　域内来确定各个个体被选中的次数。  　　(1) 个体编码  　　遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种  　　符号串。本题中，用无符号二进制整数来表示。  　　因 x1, x2 为 0 ~ 7之间的整数，所以分别用3位无符号二进制整数来表示，将它  　　们连接在一起所组成的6位无符号二进制数就形成了个体的基因型，表示一个可  　　行解。  　　例如，基因型 X＝ 所对应的表现型是：x＝[ 5，6 ]。  　　个体的表现型x和基因型X之间可通过编码和解码程序相互转换。  　　(2) 初始群体的产生  　　遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始  　　群体数据。  　　本例中，群体规模的大小取为4，即群体由4个个体组成，每个个体可通过随机  　　方法产生。  　　如：，，，  　　(3) 适应度汁算  　　遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传  　　机会的大小。  　　本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接  　　利用目标函数值作为个体的适应度。  　　(4) 选择运算  　　选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代  　　群体中。  　　本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中  　　篇二：遗传算法总结  　　遗传算法总结  　　遗传算法是借鉴生物的自然选择和遗传进化机制而开发出的一种全局自适应概率搜索算法。  　　一、遗传算法流程图  　　图1 遗传算法流程图  　　二、遗传算法的原理和方法  　　1） 染色体编码  　　把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法就称为编码。 　　De Jong曾提出了两条操作性较强的实用编码原则：编码原则一：应使用能易于产生与所求问题相关的且具有低阶、短定义长度模式的编码方案；编码原则二：应使用能使问题得到自然表示或描述的具有最小编码字符集的编码方案。 　　编码方法主要有以下几种：二进制编码方法、格雷码编码方法、浮点数编码方法、符