人工智能遗传算法.docx
《人工智能遗传算法.docx》由会员分享,可在线阅读,更多相关《人工智能遗传算法.docx(8页珍藏版)》请在冰点文库上搜索。
人工智能遗传算法
遗传算法实验报告
实验目的
1.熟悉和掌握遗传算法的原理、实质
2.学会使用遗传算法解决问题
3.学会编写遗传算法程序寻找函数最值
实验原理
遗传算法是仿真生物遗传学和自然选择机理,通过人工方式所构造的一类搜索算法,从某种程度上说遗传算法是对生物进化构成进行的数学方式仿真。
在遗传算法中染色体对应的是一系列符号序列,在标准的遗传算法(即基本遗传算法)中,通常用0,1组成的位串表示,串上各个位置对应基因座,各位置上的取值对应等位基因。
遗传算法对染色体进行处理,染色体称为基因个体。
一定数量的基因个体组成基因种群。
种群中个体的数目为种群的规模,各个体对环境的适应程度称为适应度。
实验条件
1.WindowNT/xp/7及以上的操作系统
2.内存在512M以上
3.CPU在奔腾II以上
实验内容
1.用遗传算法解决下面函数的极大值问题。
2.遗传算法的具体实施策略不限,最好用MATLAB
实验分析
1.遗传算法基本步骤
1选择目标函数,确定变量定义域及编码精度,形成编码方案
2随机产生一个规模为(即该种群中含有个体)的种群
3对被选择进入匹配池中的个体进行交叉操作,形成新种群
4以小概率在种群中选择个体进行变异操作形成新种群
5计算每个个体的适值
6根据适值概率选择个新个体形成新种群
7检查结束条件,若满足则算法结束,当前种群中适值最高的个体即所求解;否则转③
2.遗传算法的优点
1遗传算法以控制变量的编码作为运算对象。
这种对控制变量的编码处理方式,可以模仿自然界中生物的遗传和进化等机理,也使得我们可以方便地处理各种变量和应用遗传操作算子。
2遗传算法具有内在的本质并行性。
3遗传算法直接以目标函数值作为搜索信息。
4遗传算法是采用概率的变迁规则来指导它的搜索方向,其搜索过程朝着搜索空间的更优化的解区域移动,它的方向性使得它的效率远远高于一般的随机算法。
5原理简单,操作方便,占用内存少,适用于计算机进行大规模计算,尤其适合处理传统搜索方法难以解决的大规模、非线性组合复杂优化问题。
6由于遗传基因串码的不连续性,所以遗传算法处理非连续混合整数规划时有其独特的优越性,而且使得遗传算法对某些病态结构问题具有很好的处理能力。
7遗传算法同其他算法有较好的兼容性。
如可以用其他的算法求初始解;在每一代种群,可以用其他的方法求解下一代新种群。
实验步骤
算法流程图
程序代码
#include
#include
#include
typedefstruct
{
intcode;//染色体
intdegree;//适应度
}Indi;
Indigroup[40];//种群规模为40
voidJudge(Indi&x)
{
x.degree=x.code*x.code;
}
inthappened(doublep)//发生一个p=0~1间概率的事件
{
returnrand()<(int)(p*RAND_MAX);
}
voidCross(Indi&x,Indi&y)//交叉操作
{
Indiz,z1;
inttemp,temp1;
temp=x.code&0x3;
temp1=y.code&0x3;
z.code=x.code-temp+temp1;
z1.code=y.code-temp1+temp;
Judge(z);
Judge(z1);
if(x.degree{
if(z.degree>=x.degree)//如果新个体不如双亲,淘汰之
x=z;
}
else
{
if(z.degree>=y.degree)
y=z;
}
if(x.degree{
if(z1.degree>=x.degree)//如果新个体不如双亲,淘汰之
x=z1;
}
else
{
if(z1.degree>=y.degree)
y=z1;
}
}
intmain(void)
{
Indiindidest;
inti,j,best,x,y,c;
intsum,strick,SUM=0;
staticintn=0;
srand(time(NULL));
for(i=0;i<40;++i)//随机得到初始种群
{
group[i].code=rand()%32;
Judge(group[i]);
}
for(i=1;i<=10;++i)//固定进化10代
{
for(sum=0,best=0,j=0;j<40;++j)
{
sum+=group[j].degree;//求总的适应度sum
if(group[j].degree>group[best].degree)
{
best=j;//求当前最优个体
}
}
printf("第%2d代中最优个体为%d(%d)平均适应度为%10f\n",
i,group[best].code,group[best].degree,sum/40.0);
for(c=40;c;--c)
{
strick=(int)((float)rand()/RAND_MAX*sum);//赌盘中的色子,选择个体x,y
for(x=0;x<40&&strick>=group[x].degree;++x)
strick-=group[x].degree;
strick=(int)((float)rand()/RAND_MAX*sum);
for(y=0;y<40&&strick>=group[y].degree;++y)
strick-=group[y].degree;
if(happened(0.9))
Cross(group[x],group[y]);//交叉
}
}
return0;
}
程序运行效果图
个人实验小结
通过本次实验,我了解了遗传算法具体的解决问题的过程,熟悉和掌握遗传算法的原理、实质,学会了使用遗传算法解决问题,同时也发现了遗传算法的缺点:
早熟。
这是最大的缺点,即算法对新空间的探索能力是有限的,也容易收敛到局部最优解;大量计算。
涉及到大量个体的计算,当问题复杂时,计算时间是个问题;处理规模小。
目前对于维数较高的问题,还是很难处理和优化的;难于处理非线性约束。
对非线性约束的处理,大部分算法都是添加惩罚因子,这是一笔不小的开支;稳定性差。
因为算法属于随机类算法,需要多次运算,结果的可靠性差,不能稳定的得到解。
实验过程中巩固了所学的知识,通过实验也提高了自己的编程和思维能力,收获很多。
WelcomeTo
Download!
!
!
欢迎您的下载,资料仅供参考!