《人工智能(遗传算法).doc》由会员分享，可在线阅读，更多相关《人工智能(遗传算法).doc（6页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、*.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. Window N
2、T/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 选择目标函数，确定变量定义域及编码精度，形成编码方案 随机产生一个规模为 （即该种群中含有个体）的种群 对被选择进入匹配池中的个体进行交叉操作，形成新种群 以小概率在种群 中选择个体进行变异操作形成新种群 计算每个个体的适值 根据适值概率选择 个新个体形成新种群 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2. 遗传算法的优点 遗传算法以控制变量的编码作为运
3、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。 遗传算法具有内在的本质并行性。 遗传算法直接以目标函数值作为搜索信息。 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。 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。 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
4、理能力。 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#includetypedef struct int code; /染色体int degree;/适应度Indi;Indi group40;/种群规模为40void Judge(Indi &x)x.degree=x.code*x.code;int happened(double p)/发生一个p=01间概率的事件return rand()(int)(p*RAND_MAX);void Cross(Indi &x,Indi
5、 &y)/交叉操作Indi z,z1;int temp,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=x.degree) /如果新个体不如双亲，淘汰之x=z;elseif(z.degree=y.degree)y=z;if(x.degree=x.degree) /如果新个体不如双亲，淘汰之x=z1;elseif(z1.degree=y.degree)y=z1;int main(void)Indi in
6、didest;int i,j,best,x,y,c;int sum,strick,SUM=0;static int n=0;srand(time(NULL);for(i=0;i40;+i)/随机得到初始种群groupi.code=rand()%32;Judge(groupi);for(i=1;i=10;+i)/固定进化10代for(sum=0,best=0,j=0;jgroupbest.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 %10fn,i,groupbest.code,groupbest.degree,sum/40.0
7、);for(c=40;c;-c)strick=(int)(float)rand()/RAND_MAX*sum); /赌盘中的色子，选择个体x,yfor(x=0;x=groupx.degree;+x)strick-=groupx.degree;strick=(int)(float)rand()/RAND_MAX*sum);for(y=0;y=groupy.degree;+y)strick-=groupy.degree;if(happened(0.9)Cross(groupx,groupy);/交叉return 0;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。