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.Window NT/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∈

x

f

=其中

[0,31]

x

x

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

人工智能

程序代码

#include

#include

#include

typedef struct

{

int code; //染色体

int degree;//适应度

}Indi;

Indi group[40];//种群规模为40

void Judge(Indi &x)

{

x.degree=x.code*x.code;

}

int happened(double p)//发生一个p=0~1间概率的事件

{

return rand()<(int)(p*RAND_MAX);

}

void Cross(Indi &x,Indi &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

{

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;

}

}

int main(void)

{

Indi indidest;

int i,j,best,x,y,c;

int sum,strick,SUM=0;

static int n=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

}

}

return 0;