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X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 <>
#define C 0 //测试
#define CFLAG 4 //测试标记
#define JIAOCHA_RATE //
#define BIANYI_RATE //-
#define ITER_NUM 1000 //迭代次数
#define POP_NUM 20 //染色体个数
#define GENE_NUM 5 //基因位数
#define FEXP(x) ((x)*(x)) //y=x^2
typedef unsigned int UINT;
//染色体
typedef struct{
char geneBit[GENE_NUM]; //基因位
UINT fitValue; //适应值
}Chromosome;
//将二进制的基因位转化为十进制
UINT toDec(Chromosome pop){
UINT i;
UINT radix = 1;
UINT result = 0;
for(i=0; i<GENE_NUM; i++)
{
result += ([i]-'0')*radix;
radix *= 2;
}
return result;
}
UINT calcFitValue(UINT x) {
return FEXP(x);
}