人工智能(遗传算法)[汇编].pdfVIP

人工智能 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) x2 其中 x [0,31] 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 1 1 / 6 人工智能 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 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