人工智能遗传算法实验报告.pdf

人工智能遗传算法实验报告--第1页 - 人工智能实验报告 学 号： 姓 名： 实验名称： 遗传算法 实验日期： 2016.1.5 - - s- 人工智能遗传算法实验报告--第1页 人工智能遗传算法实验报告--第2页 - 【实验名称】 遗传算法 【实验目的】 掌握遗传算法的基本原理，熟悉遗传算法的运行机制，学会用遗传算法来求解问题。 【实验原理】 遗传算法 （Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的 生物进化过程的计算模型 ，是一种通过模拟自然进化过程搜索最优解的方法。 遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编 码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。在一开始需要实现从 表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化， 如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来 越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学 的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然 进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码 ，可以作为 问题近似最优解。 遗传算法程度流程图为： - - s- 人工智能遗传算法实验报告--第2页 人工智能遗传算法实验报告--第3页 - 【实验内容】 题目 ：已知f(x)=x*sin(x)+1 ，x [0,2],求 f(x)的最大值和最小值。 数据结构： struct poptype { double gene[length];//染色体 double realnumber;//对应的实数 x double fitness;//适应度 double rfitness;//相对适应度 double cfitness;//累计适应度 }; struct poptype population[popsize+1];//最后一位存放 max/min struct poptype newpopulation[popsize+1];// 染色体编码：  22  6 23 x[0,2 ]，变量长度为2 π，取小数点后 6 位，由于 2 2 *10 2 ;