人工智能实验报告实用.docx
《人工智能实验报告实用.docx》由会员分享,可在线阅读,更多相关《人工智能实验报告实用.docx(13页珍藏版)》请在冰点文库上搜索。
人工智能实验报告实用
人工智能实验报告
人工智能第二次实验报告
一.实验题目:
遗传算法的设计与实现
二.实验目的:
通过人工智能课程的学习,熟悉遗传算法的简单应用。
三.实验内容
用遗传算法求解f(x)= x2 的最大值,x∈[0,31],x取整数。
可以看出该函数比较简单,只要是为了体现遗传算法的思想,在问题选择上,选了一个比较容易实现的,把主要精力放在遗传算法的实现,以及核心思想体会上。
四.实验过程:
1.实现过程
(1)编码
使用二进制编码,随机产生一个初始种群。
L表示编码长度,通常由对问题的求解精度决定,编码长度L越长,可期望的最优解的精度也就越高,过大的L 会增大运算量。
针对该问题进行了简化,因为题设中x∈[0,31],所以将二进制长度定为5就够用了;
(2)生成初始群体
种群规模表示每一代种群中所含个体数目。
随机产生N个初始串结构数据,每个串结构数据成为一个个体,N个个体组成一个初始群体,N表示种群规模的大小。
当N取值较小时,可提高遗传算法的运算速度,但却降低种群的多样性,容易引起遗传算法早熟,出现假收敛;而N当取值较大时,又会使得遗传算法效率降低。
一般建议的取值范围是20-100....感谢聆听...
(3)适应度检测
根据实际标准计算个体的适应度,评判个体的优劣,即该个体所代表的可行解的优劣。
本例中适应度即为所求的目标函数;
(4)选择
从当前群体中选择优良(适应度高的)个体,使它们有机会被选中进入下一次迭代过程,舍弃适应度低的个体。
本例中采用轮盘赌的选择方法,即个体被选择的几率与其适应度值大小成正比;
(5)交叉
遗传操作,根据设置的交叉概率对交配池中个体进行基因交叉操作,形成新一代的种群,新一代中间个体的信息来自父辈个体,体现了信息交换的原则.交叉概率控制着交叉操作的频率,由于交叉操作是遗传算法中产生新个体的主要方法,所以交叉概率通常应取较大值;但若过大的话,又可能破坏群体的优良模式.一般取0。
4到0。
99。
...感谢聆听...
(6)变异
随机选择中间群体中的某个个体,以变异概率大小改变个体某位基因的值。
变异为产生新个体提供了机会.变异概率也是影响新个体产生的一个因素,变异概率小,产生新个体少;变异概率太大,又会使遗传算法变成随机搜索。
一般取变异概率为0.0001—0。
1。
(7)结束条件
当得到的解大于等于900时,结束。
从而观看遗传的效率问题.
五.代码及结果:
/*遗传算法设计最大值*/
#include〈stdio。
h>
#include〈string.h>
#include
h>
#include〈time。
h>
#defineC 0 //测试
#defineCFLAG 4 //测试标记
#defineJIAOCHA_RATE0.5 //交叉概率一般取0。
4到0。
99
#define BIANYI_RATE 0.09//变异概率为0.0001—0.1
#defineITER_NUM 1000 //迭代次数
#definePOP_NUM 20 //染色体个数
#defineGENE_NUM5 //基因位数
#defineFEXP(x) ((x)*(x))//y=x^2
typedefunsignedintUINT;
//染色体
typedefstruct{
chargeneBit[GENE_NUM]; //基因位
UINTfitValue; //适应值
}Chromosome;
//将二进制的基因位转化为十进制
UINTtoDec(Chromosomepop){
UINTi;
UINT radix= 1;
UINT result =0;
for(i=0; i〈GENE_NUM;i++)
{
result +=(pop。
geneBit[i]-’0')*radix;
radix *=2;
}
returnresult;
}
UINTcalcFitValue(UINTx) {
returnFEXP(x);
}
void test(Chromosome*pop){
inti;
intj;
for(i=0;i<POP_NUM;i++)
{
printf(”%d:
", i+1);
for(j=0;j〈GENE_NUM;j++)
printf("%c", pop[i].geneBit[j]);
printf("%4d",toDec(pop[i]));
printf(”fixValue=%d\n”,calcFitValue(toDec(pop[i])));
}
}
//变异得到新个体:
随机改变基因
voidmutation(Chromosome*pop){
UINTrandRow, randCol;
UINTrandValue;
randValue=rand()%100;
if(randValue 〉=(int)(BIANYI_RATE*100))
{
#if(C==1)&&(CFLAG==4)
ﻩprintf("\n种群个体没有基因变异\n”);
#endif
return;
}
randCol= rand()%GENE_NUM;// 随机产生将要变异的基因位
randRow= rand()%POP_NUM; //随机产生将要变异的染色体位
#if (C==1)&& (CFLAG==4)
printf("\n变异前\n");
test(pop);
printf("\n变异的位置为:
染色体号=%d基因位号=%d\n”, randRow+1, randCol);
#endif
pop[randRow].geneBit[randCol]=(pop[randRow].geneBit[randCol]==’0’)?
'1':
’0’; //1变为0, 0变为1
pop[randRow].fitValue=calcFitValue( toDec(pop[randRow]));
#if (C==1) &&(CFLAG==4)
printf("\n变异后\n");
test(pop);
#endif
}
//创建初始群体
voidcreatePop(Chromosome*pop){
UINT i,j;
UINTrandValue;
UINT value;
srand((unsigned)time(NULL));
for(i=0;i{
for(j=0;j〈GENE_NUM;j++)
{
randValue=rand()%2;
pop[i].geneBit[j] = randValue+'0’;//将随机数0或1赋给基因
}
value=toDec(pop[i]);
pop[i].fitValue= calcFitValue(value);
}
#if(C==1)&&(CFLAG==1)
printf(”\n随机分配的种群如下:
\n");
test(pop);
#endif
}
//更新种群
voidupdatePop(Chromosome*newPop,Chromosome *oldPop){
UINT i;
for(i=0;i oldPop[i]=newPop[i];
}
}
//选择优良个体:
根据适应度选择最优解,即最优个体
void select(Chromosome *pop){
UINT i,j;
UINT sumFitValue; //总适应值
UINTaFitValue; //平均适应值
floatchoice[POP_NUM];//选择
ChromosometempPop; //交换变量
#if (C==1)&& (CFLAG==2) //测试
printf("\n没有选择前的种群如下:
\n");
test(pop);
#endif
// 根据个体适应度冒泡降序排序
for(i=POP_NUM;i〉0;i—-)
{
for(j=0;j<(i-1);j++)
{
if(pop[j+1]。
fitValue>pop[j].fitValue)
{
tempPop= pop[j+1];
pop[j+1]=pop[j];
pop[j] =tempPop;
}
}
}
//计算总适应值
sumFitValue=0;
for(i=0;i<POP_NUM;i++)
{
sumFitValue+=pop[i].fitValue;
}
aFitValue=(UINT)(((float)sumFitValue/POP_NUM)+0.5);//计算平均适应值
//计算出每个群体选择机会,群体的概率=群体适应值/总适应值,平均概率=平均适应值/总适应值,群体选择机会=(群体的概率/平均概率)
for(i=0; i {
choice[i]= ((float)pop[i].fitValue/sumFitValue)/((float)aFitValue/sumFitValue);
choice[i] = (float)((int)(choice[i]*100+0.5)/100。
0);//保留到小数点后2位
}
ﻩ//根据选择概率来繁殖优良个体,并淘汰较差个体
for(i=0;i〈POP_NUM;i++)
{
if(((int)(choice[i]+0.55))==0)//如果choice[i]==0淘汰繁殖一次最优的群体
pop[POP_NUM—1] =pop[0];
}
#if (C==1) &&(CFLAG==2)
printf("\n经过选择以后的种群:
\n");
test(pop);
#endif
}
//交叉:
基因交换
voidcross(Chromosome*pop){
char tmpStr[GENE_NUM]=””;
UINTi;
UINTrandPos;
UINTrandValue;
randValue=rand()%100;
if(randValue〉= (int)(JIAOCHA_RATE*100)){
#if(C==1)&&(CFLAG==3)
printf("\n种群没有进行交叉.\n");
#endif
return; }
#if (C==1)&&(CFLAG==3)
printf("\n交叉前,种群如下:
\n”);
test(pop);
printf(”\n交叉的位置依次为:
”);
#endif
//染色体两两交叉
for(i=0;i<POP_NUM;i+=2) {
randPos=(rand()%(GENE_NUM-1)+1); //产生随机交叉点,范围是1到GENE_NUM—1
strncpy(tmpStr, pop[i]。
geneBit+randPos,GENE_NUM—randPos);
strncpy(pop[i]。
geneBit+randPos,pop[i+1]。
geneBit+randPos,GENE_NUM—randPos);
strncpy(pop[i+1].geneBit+randPos,tmpStr,GENE_NUM—randPos);
#if(C==1) &&(CFLAG==3)
printf(” %d”,randPos);
#endif
}
//对个体计算适应度
for(i=0;i<POP_NUM; i++){
pop[i].fitValue =calcFitValue(toDec(pop[i]));
}
#if(C==1)&& (CFLAG==3)
printf("\n交叉后,种群如下:
\n");
test(pop);
#endif
}
//输出结果
voidresult(Chromosome *pop){
UINTi;
UINTx=0;
UINTmaxValue=0; //函数的最大值
for(i=0; i<POP_NUM;i++)
{
if(pop[i]。
fitValue> maxValue) {
maxValue=pop[i]。
fitValue;
x =toDec(pop[i]);
}
}
printf("\n当x=%d时,函数得到最大值为:
%d\n\n",x,maxValue);
}
intmain(int argc,char*argv[]){
ﻩintcount; //迭代次数
ChromosomecurPop[POP_NUM];//初始种群或者当前总群
ChromosomenextPop[POP_NUM];//变异后种群
createPop(curPop);
for(count=1;count〈(ITER_NUM+1);count++) {
updatePop(curPop,nextPop);//更新种群
select(nextPop); //选择
cross(nextPop); //交叉
mutation(nextPop);//变异
updatePop(nextPop,curPop);//更新
printf(”\n第%d次迭代:
\n”,count);
test(curPop);
}
result(curPop);
return0;
}
实验结果:
实验小结:
经过本次实验对遗传算法有了深刻的了解,充分体会到遗传算法对优缺点
了解了演化算法的基本思想,虽然过程中出现了很多小问题,比如大小写什么的还有就是逻辑错误,但是最终在理解的基础上成功实现了功能,认真分析后,提高了解决问题的能力.
...谢阅...