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！
升级会员 