人工智能(遗传算法).doc

Forpersonaluseonlyinstudyandresearch;mercialuse遗传算法实验报告实验目的熟悉和掌握遗传算法的原理、实质学会使用遗传算法解决问题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WindowNT/xp/7及以上的操作系统内存在512M以上CPU在奔腾II以上实验内容用遗传算法解决下面函数的极大值问题。遗传算法的具体实施策略不限,最好用MATLAB实验分析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③遗传算法的优点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。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<>#include<>typedefstruct{ intcode;//染色体 intdegree;//适应度}Indi;Indigroup[40];//种群规模为40voidJudge(Indi&x){ =*;}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=&0x3; temp1=&0x3; =-temp+temp1; =-temp1+temp; Judge(z); Judge(z1); if(<)