人工智能实验报告.docxVIP

-- --- 人工智能第二次实验报告 一．实验题目： 遗传算法的设计与实现 二．实验目的： 通过人工智能课程的学习， 熟悉遗传算法的简单 应用。 三．实验内容 用遗传算法求解 f (x) = x2 的最大值， x ∈ [0,31] ， x 取整数。 可以看出该函数比较简单， 只要是为了体现遗传算法的思 想，在问题选择上，选了一个比较容易实现的，把主要精力 放在遗传算法的实现，以及核心思想体会上。 四. 实验过程： 实现过程 （ 1）编码 使用二进制编码， 随机产生一个初始种群。 L 表示编码长度， 通常由对问题的求解精度决定，编码长度 L 越长，可期望的最 优解的精度也就越高，过大的 L 会增大运算量。针对该问题进 行了简化，因为题设中 x∈ [0,31] ，所以将二进制长度定为 5 就 够用了； （ 2）生成初始群体 种群规模表示每一代种群中所含个体数目。 随机产生 N 个初 始串结构数据，每个串结构数据成为一个个体， N 个个体组 成一个初始群体， N 表示种群规模的大小。 当 N 取值较小时， 可提高遗传算法的运算速度，但却降低种群的多样性，容易 引起遗传算法早熟，出现假收敛；而 N 当取值较大时，又会 使得遗传算法效率降低。一般建议的取值范围是 20 —100 。 （ 3）适应度检测 根据实际标准计算个体的适应度，评判个体的优劣，即该个 体所代表的可行解的优劣。本例中适应度即为所求的目标函数； （ 4）选择 从当前群体中选择优良（适应度高的）个体，使它们有机会 被选中进入下一次迭代过程， 舍弃适应度低的个体。 本例中采用 轮盘赌的选择方法， 即个体被选择的几率与其适应度值大小成正 比； （ 5）交叉 遗传操作，根据设置的交叉概率对交配池中个体进行基因交 叉操作，形成新一代的种群， 新一代中间个体的信息来自父辈个 体，体现了信息交换的原则。交叉概率控制着交叉操作的频率， 由于交叉操作是遗传算法中产生新个体的主要方法， 所以交叉概 率通常应取较大值； 但若过大的话，又可能破坏群体的优良模式。 一般取 0.4 到 0.99 。 （ 6）变异 随机选择中间群体中的某个个体，以变异概率大小改变个体 某位基因的值。 变异为产生新个体提供了机会。 变异概率也是影 响新个体产生的一个因素，变异概率小，产生新个体少；变异概 率太大，又会使遗传算法变成随机搜索。一般取变异概率为 0.0001 — 0.1 。 （ 7）结束条件 当得到的解大于等于 900 时，结束。从而观看遗传的效率问题。 五. 代码及结果： /*遗传算法设计最大值 */ #include stdio.h #include string.h #include stdlib.h #include time.h #define C 0 //测试 #define CFLAG 4 // 测试标记 #define JIAOCHA_RATE 0.5 // 交叉概率一般取 0.4 到 0.99 #define BIANYI_RATE 0.09 //变异概率为 0.0001-0.1 #define ITER_NUM 1000 // 迭代次数 #define POP_NUM 20 //染色体个数 #define GENE_NUM 5 // 基因位数 #define FEXP(x) ((x)*(x)) //y=x^2 typedef unsigned int UINT; //染色体 typedef struct{ char geneBit[GENE_NUM]; // 基因位 UINT fitValue;  // 适应值 }Chromosome; //将二进制的基因位转化为十进制 UINT toDec(Chromosome pop){ UINT i; UINT radix = 1; UINT result = 0; for(i=0; iGENE_NUM; i++) { result += (pop.geneBit[i]-0)*radix; radix *= 2; } return result; } UINT calcFitValue(UINT x) { return FEXP(x); } void test(Chromosome *pop) { int i; int j; for(i=0; iPOP_NUM; i++) { printf(%d: , i+1); for(j=0; jGENE_NUM; j++) printf(%c, pop[i].geneBit[j]); printf( %4d, toDec(pop[i])); printf( fixValue=%d\n, calcFitValue(toDec(pop[i]))); } } //变异得到新个体 :随机改变基因 voi