《人工智能(遗传算法)》由会员分享，可在线阅读，更多相关《人工智能(遗传算法)（8页珍藏版）》请在金锄头文库上搜索。
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，从某种限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相应的是一系列符号序列，在原则的遗传算法(即基本遗传算法)中，一般用0, 1构成的位串表达，串上各个位置相应基因座，各位置上的取值相应等位基因。遗传算法对染色体进行解决，染色体称为基因个体。一定数量的基因个体构成基因种群。种群中个体的数目为种群的规模，各个体对环境的适应限度称为适应度。实验条件1. Window NT/
2、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. 遗传算法的具体实行方略不限，最佳用MATLAB实验分析1. 遗传算法基本环节 选择目的函数，拟定变量定义域及编码精度，形成编码方案 随机产生一种规模为 （即该种群中具有个体）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，目前种群中适值最高的个体即所求解；否则转2. 遗传算法的长处 遗传算法以控制变量的编码作为运算对
3、象。这种对控制变量的编码解决方式，可以模仿自然界中生物的遗传和进化等机理，也使得我们可以以便地解决多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。 遗传算法直接以目的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引它的搜索方向，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。 原理简朴，操作以便，占用内存少，合用于计算机进行大规模计算，特别适合解决老式搜索措施难以解决的大规模、非线性组合复杂优化问题。 由于遗传基因串码的不持续性，因此遗传算法解决非持续混合整数规划时有其独特的优越性，并且使得遗传算法对某些病态构造问题具有较好的解决能
4、力。 遗传算法同其她算法有较好的兼容性。如可以用其她的算法求初始解；在每一代种群，可以用其她的措施求解下一代新种群。实验环节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)/发生一种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，裁减之x=z;elseif(z.degree=y.degree)y=z;if(x.degree=x.degree) /如果新个体不如双亲，裁减之x=z1;elseif(z1.degree=y.degree)y=z1;int main(void)Indi indi
6、dest;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;/求目前最优个体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;程序运营效果图个人实验小结通过本次实验，我理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，同步也发现了遗传算法的缺陷：早熟。这是最大的缺陷，即算法对新空间的摸索能力是有限的，也容易收敛到局部最优解；大量计算。波及到大量个体的计算，当问题复杂时，计算时间是个问题；解决规模小。目前对于维数较高的问题，还是很难解决和优化的；难于解决非线性约束。对非线性约束的解决，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。由于算法属于随机类算法，需要多次运算，成果的可靠性差，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，收获诸多。
