2025年智能优化技术实验分析遗传算法应用研究.docxVIP

遗传算法试验汇报

专业：自动化姓名：张俊峰学号摘要：遗传算法，是基于达尔文进化理论发展起来的一种应用广泛、高效的随机搜索与优化措施。本试验运用遗传算法来实现求函数最大值的优化问题，其中的环节包括初始化群体、个体评价、选择运算、交叉运算、变异运算、终止条件判断。该算法具有覆盖面大、减少进入局部最优解的风险、自主性等特点。此外，遗传算法不是采用确定性原则而是采用概率的变迁规则来指导搜索方向，具有动态自适应的长处。

关键词：串集最优化评估迭代变异

一：试验目的

熟悉和掌握遗传算法的运行机制和求解的基本措施。

遗传算法是一种基于空间搜索的算法，它通过自然选择、遗传、变异等操作以及达尔文的适者生存的理论，模拟自然进化过程来寻找所求问题的答案。其求解过程是个最优化的过程。一般遗传算法的重要环节如下：

(1)随机产生一种确定长度的特性字符串构成的初始种群。。

(2)对该字符春种群迭代地执行下面的环节a和环节b,直到满足停止准则为

止：

a计算种群中每个个体字符串的适应值；

b应用复制、交叉和变异等遗传算子产生下一代种群。

(3)把在后裔中体现的最佳的个体字符串指定为遗传算法的执行成果，即为问题

的一个解。

二：试验规定

已知函数y=f(x?,X?,X3,x?)=1/(x?2+x?2+x?2+xa2+1),其中-5≤x?,x?,x3,x?≤5,用遗传算

法求y的最大值。

三：试验环境

操作系统：MicrosoftWindows7

软件：MicrosoftVisualstudio

四：试验原理与环节

1、遗传算法的思想

生物的进化是以集团为主体的。与此相对应，遗传算法的运算对象是由M个个体所构成的集合，称为群体。与生物一代一代的自然进化过程相类似，遗传算法的运算过程也是一种反复迭代过程，第t代群体极为P(t),进过一代遗传和进化后，得到第t+1代群体，他们也是由多种个体构成的集合，记做P(t+1)。这个群体不停地通过遗传和进化操作，并且每次都按照有优胜劣汰的规则将适应度较高的个体更多地遗传到下一代，这样最终在群体中将会得到一种优良的个体X,它所对应的体现性X将到达或靠近于问题的最优解。

2、算法实现环节

①、产生初始种群：产生初始种群的措施一般有两种：一种是完全随机的措施产生的，适合于对问题的解无任何先验知识的状况；另一种是将某些先验知识转变为必须满足的一组规定，然后在满足这些规定的解中再随机地选择样本，t=0,随机产生n个个体形成一种初始群体P(t),该群体代表优化问题的某些也许解的集合；

②适应度评价函数：按编码规则，将群体P(t)中的每一种个体的基因码所对应的自变量取值代入目的函数，算出其函数值f,i=1,2,…,n,f越大，表达该个体有较高的适应度，更适合于f所定义的生存环境，适应度f为群体进化提供了根据；

③选择：按一定概率从群体P(t)中选出m个个体，作为双亲用于繁殖后裔，产生新的个体加入下一种群体P(t+1)中。此处选用轮盘算法，也就是比例选择算法，个体被选择的概率与其适应度成正比。

④交叉(重组):对于选中的用于繁殖的每一种个体，选择一种交叉措施，产生新的个体；此处采用生成随机数决定交叉的个体与交叉的位置。

⑤变异：以一定的概率Pm从群体P(t+1)中随机选择若干个个体，对于选中的个体随机选择某个位置，进行变异；

⑥对产生新一代的群体返回环节③再进行评价，交叉、变异如此循环往复，使群体中个体的适应度和平均适应度不停提高，直至最优个体的适应度到达某一限值或最优个体的适应度和群体的平均适应度不再提高，则迭代过程收敛，算法结束。

五：试验成果

试验成果的显示取决于判断算法终止的条件，这里可以有两种选择：1、在程序中设定迭代的次数；2在程序中设定适应值。本试验是在程序中试验者输入需要迭代的次数来判断程序终止的。

回XC:\Users\Administrator\Desktop\程序作业\遗传算法\Debug\遗传算法.

回X

初始化：

co1.2724-0.40420.51641.5115

C11.50040.667-0.37790.6987

c20.7610.98132.65621.2527

C303962.41621.02460.1571

C4246051.76460.38860.5001

初始化后进行适应值计算，最大值best_resu