人工智能遗传算法求函数极值.pdfVIP

人工智能遗传算法求函数极值--第1页 《人工智能》实验报告 - 1 - 实验目的与原理 1) 目的 熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传求解函数优化问题，理解求解函数 极值问题的流程并测试主要参数对结果的影响,掌握遗传算法的基本实现方法。 2) 原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。它把问题的参数用基因代表，把 问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组 成的群体。这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代。后代随机 化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程。群体的染色体都将逐渐 适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解。要求利用遗 传算法求解函数极值问题。 1、实验内容及条件 （1）实验内容 利用“智能搜索算法实验系统”中的“遗传算法工具箱”求解下列函数极值 （2）实验流程图如2-1所示： 人工智能遗传算法求函数极值--第1页 人工智能遗传算法求函数极值--第2页 《人工智能》实验报告 - 2 - 图2-1 （3）实验条件 智能搜索算法教学实验系统 3、实验步骤 (1)打开软件进入主界面，选择遗传算法，界面如图3-1所示： 图3-1 (2)选择本次实验所涉及的最值问题，界面如图3-2所示： 人工智能遗传算法求函数极值--第2页 人工智能遗传算法求函数极值--第3页 《人工智能》实验报告 - 3 - 图3-2 (3) 点击开始按钮，利用的是轮盘赌选择个体方法，产生一个随机数，它落入转盘的哪个区域就选 择相应的个体交叉，根据公式自主选择变量进行调试： a. 根据极值算法公式，交叉率选择“0.85”，变异率选择“0.05”，概率分配选择“适应度比例 法”，变异方法选择“每位都按 Pm 进行变异”，随即开始实验，点击计算选择概率，界面如 图3-3所示： 图3-3 首先利用适应度函数计算每个染色体的适应度值。适应度函数是由目标函数变换而来的，前四位是 x 染色体后四位是y染色体。轮盘是根据轮盘赌选择方法，根据个体的选择概率产生的，轮盘上每 个区域的角度跟个体的选择概率成比例，然后随即产生一个随机数，它落到哪个区域，就代表着哪 个区域的个体进行交叉操作。 b. 点击选择按钮，对个体进行选择，如图3-4所示： 人工智能遗传算法求函数极值--第3页 人工智能遗传算法求函数极值--第4页 《人工智能》实验报告 - 4 - 图3-4 选择也叫复制，它是对群体中一些优良的基因进行选择，保证子代基因的优良。本次选择操作用的 是轮盘赌选择方法，从图3-4中可以看出，本次选择紫色的区域的个体进行交叉操作。 c. 点击交叉按钮，对选中的群体进行交叉操作，如图3-5所示： 图3-5