人工智能(遗传算法).docx

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
Window NT/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。
f x
x
2
其中
x [0,31]
( )
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
① 选择目标函数，确定变量定义域及编码精度，形成编码方案
② 随机产生一个规模为 （即该种群中含有个体）的种群
③ 对被选择进入匹配池中的个体进行交叉操作，形成新种群
④ 以小概率在种群 中选择个体进行变异操作形成新种群
⑤ 计算每个个体的适值
⑥ 根据适值概率选择 个新个体形成新种群
⑦ 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。
② 遗传算法具有内在的本质并行性。
③ 遗传算法直接以目标函数值作为搜索信息。
④ 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。
⑤ 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。
⑥ 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。
⑦ 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
开始
初始化，输入原始参
数及给定参数， gen=1
染色体编码，产生初始群体
计算种群中每个个体的适应值
终止条件的判断？
N
gen=gen+1
选择
交叉
Y
变异