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＞
＃includeh>
＃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...
升级会员 