人工智能(遗传算法).docVIP

人工智能 PAGE 6 遗传算法实验报告 实验目的 熟悉和掌握遗传算法的原理、实质 学会使用遗传算法解决问题 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 Window NT/xp/7及以上的操作系统 内存在512M以上 CPU在奔腾II以上 实验内容 用遗传算法解决下面函数的极大值问题。 遗传算法的具体实施策略不限，最好用MATLAB 实验分析 遗传算法基本步骤 选择目标函数，确定变量定义域及编码精度，形成编码方案 随机产生一个规模为 （即该种群中含有个体）的种群 对被选择进入匹配池中的个体进行交叉操作，形成新种群 以小概率在种群 中选择个体进行变异操作形成新种群 计算每个个体的适值 根据适值概率选择 个新个体形成新种群 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 遗传算法的优点 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。 遗传算法具有内在的本质并行性。 遗传算法直接以目标函数值作为搜索信息。 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。 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问题。 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。 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 程序代码 #includestdio.h #includetime.h #includestdlib.h typedef struct { int code; //染色体 int degree;//适应度 }Indi; Indi group[40];//种群规模为40 void Judge(Indi x) { x.degree=x.code*x.code; } int happened(double p)//发生一个p=0~1间概率的事件 { return rand()(int)(p*RAND_MAX); } void Cross(Indi x,Indi y)//交叉操作 { Indi z,z1; int temp,temp1; temp=x.code0x3; temp1=y.code0x3; z.code=x.code-temp+temp1; z1.code=y.code-temp1+temp; Judge(z); Judge(z1); if(x.degreey.degree) { if(z.degree=x.degree) //如果新个体不如双亲，淘汰之 x=z; } else { if(z.degree=y.degree) y=z; } if(x.degreey.degree) { if(z1.degree=x.degree) //如果新个体不如双亲，淘汰之 x=z1; } else { if(z1.degree=y.degree) y=z1; } } 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;i40;++i)//随机得到初始种群 { group[i].code=rand()%32; Judge(group[i]); } for(i=1;i=10;++i)//固定进化10代 { for(sum=0,best=0,j=0;j40;++j) { sum+=group[j].degree;//求总的适应度sum if(group[j].degreegroup[best].degre