人工智能实验报告.doc

羂肀人工智能第二次实验报告蚆蒄螁膀肇膆螄艿蒈蚄薃荿衿实验题目:莆遗传算法的设计与实现莂实验目的:葿通过人工智能课程的学习,熟悉遗传算法的简单应用。芀实验内容螄用遗传算法求解f(x)=x2的最大值,x∈[0,31],x取整数。莅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。葿实验过程:蒇实现过程薆(1)编码膄使用二进制编码,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;蕿(2)生成初始群体袈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。芇(3)适应度检测袂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;虿(4)选择芈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;蚅(5)交叉蚁遗传操作,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。。蝿(6)变异虿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。—。蒇(7)结束条件蚄当得到的解大于等于900时,结束。从而观看遗传的效率问题。衿代码及结果:螆/*遗传算法设计最大值*/袅#include<>蒃#include<>羈#include<>膇#include<>薇#defineC0//测试节#defineCFLAG4//测试标记节#//#//-#defineITER_NUM1000//迭代次数芅#definePOP_NUM20//染色体个数蚆#defineGENE_NUM5//基因位数芃#defineFEXP(x)((x)*(x))//y=x^2肁typedefunsignedintUINT;芈//染色体螆typedefstruct{蚄chargeneBit[GENE_NUM];//基因位葿UINTfitValue;//适应值肇}Chromosome;螆螁//将二进制的基因位转化为十进制膀UINTtoDec(Chromosomepop){袆UINTi;袆UINTradix=1;膁UINTresult=0;蚈for(i=0;i<GENE_NUM;i++)袈{羆result+=([i]-'0')*radix;薂radix*=2;莀}蚇returnresult;肆}羃UINTcalcFitValue(UINTx){袈returnFEXP(x);莆}膆voidtest(Chromosome*pop){膀inti;薀intj;膅for(i=0;i<POP_NUM;i++)芅{薁printf("%d:",i+1);羈for(j=0;j<GENE_NUM;j++)芈printf("%c",pop[i].geneBit[j]);莅羂printf("%4d",toDec(pop[i]));蚀printf("fixValue=%d\n",calcFitValue(toDec(pop[i])));羇}莅}莃//变异得到新个体:随机改变基因膈voidmutation(Chromosome*pop){螆UINTrandRow,randCol;蒅UINTrandValue;螄randValue=rand()%100;衿if(randValue>=(int)(BIANYI_RATE*100))蝿{薅 #if(C==1)&&(CFLAG==4)袀 printf("\n种群个