人工智能实验报告.doc

人工智能第二次实验报告实验题目:遗传算法的设计与实现实验目的:通过人工智能课程的学习,熟悉遗传算法的简单应用。实验内容用遗传算法求解f(x)=x2的最大值,x∈[0,31],x取整数。可以看出该函数比较简单,只要是为了体现遗传算法的思想,在问题选择上,选了一个比较容易实现的,把主要精力放在遗传算法的实现,以及核心思想体会上。实验过程:实现过程(1)编码使用二进制编码,随机产生一个初始种群。L表示编码长度,通常由对问题的求解精度决定,编码长度L越长,可期望的最优解的精度也就越高,过大的L会增大运算量。针对该问题进行了简化,因为题设中x∈[0,31],所以将二进制长度定为5就够用了;(2)生成初始群体种群规模表示每一代种群中所含个体数目。随机产生N个初始串结构数据,每个串结构数据成为一个个体,N个个体组成一个初始群体,N表示种群规模的大小。当N取值较小时,可提高遗传算法的运算速度,但却降低种群的多样性,容易引起遗传算法早熟,出现假收敛;而N当取值较大时,又会使得遗传算法效率降低。一般建议的取值范围是20—100。(3)适应度检测根据实际标准计算个体的适应度,评判个体的优劣,即该个体所代表的可行解的优劣。本例中适应度即为所求的目标函数;(4)选择从当前群体中选择优良(适应度高的)个体,使它们有机会被选中进入下一次迭代过程,舍弃适应度低的个体。本例中采用轮盘赌的选择方法,即个体被选择的几率与其适应度值大小成正比;(5)交叉遗传操作,根据设置的交叉概率对交配池中个体进行基因交叉操作,形成新一代的种群,新一代中间个体的信息来自父辈个体,体现了信息交换的原则。交叉概率控制着交叉操作的频率,由于交叉操作是遗传算法中产生新个体的主要方法,所以交叉概率通常应取较大值;但若过大的话,又可能破坏群体的优良模式。。(6)变异随机选择中间群体中的某个个体,以变异概率大小改变个体某位基因的值。变异为产生新个体提供了机会。变异概率也是影响新个体产生的一个因素,变异概率小,产生新个体少;变异概率太大,又会使遗传算法变成随机搜索。—。(7)结束条件当得到的解大于等于900时,结束。从而观看遗传的效率问题。代码及结果:/*遗传算法设计最大值*/#include<>#include<>#include<>#include<>#defineC0//测试#defineCFLAG4//测试标记#//#//-#defineITER_NUM1000//迭代次数#definePOP_NUM20//染色体个数#defineGENE_NUM5//基因位数#defineFEXP(x)((x)*(x))//y=x^2typedefunsignedintUINT;//染色体typedefstruct{chargeneBit[GENE_NUM];//基因位UINTfitValue;//适应值}Chromosome;//将二进制的基因位转化为十进制UINTtoDec(Chromosomepop){UINTi;UINTradix=1;UINTresult=0;for