2021年人工智能(遗传算法).docxVIP

精品word 可编辑资料 - - - - - - - - - - - - - 人工智能 遗传算法试验报告 试验目的 1． 熟识和把握遗传算法的原理、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查找函数最值 试验原理 遗传算法是仿真生物遗传学和自然挑选机理， 通过人工方式所构造的一类搜寻算法，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； 肯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； 试验条件 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 试验内容 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] 遗传算法的详细实施策略不限，最好用 MATLAB 试验分析 遗传算法基本步骤 ① 挑选目标函数，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 第 1 页，共 5 页 - - - - - - - - - - 精品word 可编辑资料 - - - - - - - - - - - - - 人工智能 ③ 对被挑选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 中挑选个体进行变异操作形成新种群 ⑤ 运算每个个体的适值 ⑥ 依据适值概率挑选 个新个体形成新种群 ⑦ 检查终止条件，如满意就算法终止，当前种群中适值最高的个体即所求解；否就转③ 遗传算法的优点 ① 遗传算法以掌握变量的编码作为运算对象； 这种对掌握变量的编码处理方式，可以仿照自然界中生物的遗传和进化等机理，也使得我们可 以便利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寻信息； ④ 遗传算法是采纳概率的变迁规章来指导它的搜寻方向， 其搜寻过程朝着搜寻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 原理简洁，操作便利，占用内存少，适用于运算机进行大规模运算， 特别适合处理传统搜寻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特殊的优越性， 而且使得遗传算法对某些病态结构问题具有很好的处理才能； 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； 试验步骤 算法流程图 2 第 2 页，共 5 页 - - - - - - - - - - 精品word 可编辑资料 - - - - - - - - - - - - - 人工智能 开头 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 运算种群中每个个体的适应值 终止条件的判定？ N gen=gen+1 挑选 交叉 Y 变异 新种群 输出结果 终止 程序代码 #includestdio.h #includetime.h #includestdlib.h typedef struct { int code; // 染色体 int degree;// 适应度 }Indi; 3 第 3 页，共 5 页 - - - - - - - - - - 精品word 可编辑资料 - - - - - - - - - - - - - 人工智能 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 间概率的大事 { 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〔〕 { if〔〕 //假如新个体不如双亲，剔除之x=z; } else { if〔〕 y=z; } if〔〕 { if〔〕 //假如新个体不如双亲，剔除之x=z1; } else { if〔〕 y=z1; } } 4 第 4 页，共