1、. 人工智能第二次實(shí)驗(yàn)報(bào)告1 實(shí)驗(yàn)題目： 遺傳算法的設(shè)計(jì)與實(shí)現(xiàn)2 實(shí)驗(yàn)?zāi)康模?通過人工智能課程的學(xué)習(xí)，熟悉遺傳算法的簡(jiǎn)單應(yīng)用。3 實(shí)驗(yàn)內(nèi)容 用遺傳算法求解f (x) = x2 的最大值，x 0,31，x取整數(shù)?？梢钥闯鲈摵瘮?shù)比較簡(jiǎn)單，只要是為了體現(xiàn)遺傳算法的思想，在問題選擇上，選了一個(gè)比較容易實(shí)現(xiàn)的，把主要精力放在遺傳算法的實(shí)現(xiàn)，以及核心思想體會(huì)上。4. 實(shí)驗(yàn)過程：1. 實(shí)現(xiàn)過程 （1）編碼使用二進(jìn)制編碼，隨機(jī)產(chǎn)生一個(gè)初始種群。L 表示編碼長度，通常由對(duì)問題的求解精度決定，編碼長度L 越長，可期望的最優(yōu)解的精度也就越高，過大的L 會(huì)增大運(yùn)算量。針對(duì)該問題進(jìn)行了簡(jiǎn)化，因?yàn)轭}設(shè)中x 0,31，所以

2、將二進(jìn)制長度定為5就夠用了；（2）生成初始群體種群規(guī)模表示每一代種群中所含個(gè)體數(shù)目。隨機(jī)產(chǎn)生N個(gè)初始串結(jié)構(gòu)數(shù)據(jù)，每個(gè)串結(jié)構(gòu)數(shù)據(jù)成為一個(gè)個(gè)體，N個(gè)個(gè)體組成一個(gè)初始群體，N表示種群規(guī)模的大小。當(dāng)N取值較小時(shí)，可提高遺傳算法的運(yùn)算速度，但卻降低種群的多樣性，容易引起遺傳算法早熟，出現(xiàn)假收斂；而N當(dāng)取值較大時(shí)，又會(huì)使得遺傳算法效率降低。一般建議的取值范圍是20100。 （3）適應(yīng)度檢測(cè)根據(jù)實(shí)際標(biāo)準(zhǔn)計(jì)算個(gè)體的適應(yīng)度，評(píng)判個(gè)體的優(yōu)劣，即該個(gè)體所代表的可行解的優(yōu)劣。本例中適應(yīng)度即為所求的目標(biāo)函數(shù)；（4）選擇從當(dāng)前群體中選擇優(yōu)良（適應(yīng)度高的）個(gè)體，使它們有機(jī)會(huì)被選中進(jìn)入下一次迭代過程，舍棄適應(yīng)度低的個(gè)體。本例

3、中采用輪盤賭的選擇方法，即個(gè)體被選擇的幾率與其適應(yīng)度值大小成正比； （5）交叉遺傳操作，根據(jù)設(shè)置的交叉概率對(duì)交配池中個(gè)體進(jìn)行基因交叉操作，形成新一代的種群，新一代中間個(gè)體的信息來自父輩個(gè)體，體現(xiàn)了信息交換的原則。交叉概率控制著交叉操作的頻率，由于交叉操作是遺傳算法中產(chǎn)生新個(gè)體的主要方法，所以交叉概率通常應(yīng)取較大值；但若過大的話，又可能破壞群體的優(yōu)良模式。一般取0.4到0.99。 （6）變異隨機(jī)選擇中間群體中的某個(gè)個(gè)體，以變異概率大小改變個(gè)體某位基因的值。變異為產(chǎn)生新個(gè)體提供了機(jī)會(huì)。變異概率也是影響新個(gè)體產(chǎn)生的一個(gè)因素，變異概率小，產(chǎn)生新個(gè)體少；變異概率太大，又會(huì)使遺傳算法變成隨機(jī)搜索。一般取變

4、異概率為0.00010.1。 （7）結(jié)束條件當(dāng)?shù)玫降慕獯笥诘扔?00時(shí)，結(jié)束。從而觀看遺傳的效率問題。5. 代碼及結(jié)果：/*遺傳算法設(shè)計(jì)最大值*/ #include #include #include #include #define C 0 /測(cè)試 #define CFLAG 4 /測(cè)試標(biāo)記 #define JIAOCHA_RATE 0.5 /交叉概率一般取0.4到0.99#define BIANYI_RATE 0.09 /變異概率為0.0001-0.1 #define ITER_NUM 1000 /迭代次數(shù) #define POP_NUM 20 /染色體個(gè)數(shù)#define GENE_NUM

5、 5 /基因位數(shù) #define FEXP(x) (x)*(x) /y=x2 typedef unsigned int UINT; /染色體 typedef struct char geneBitGENE_NUM; /基因位 UINT fitValue; /適應(yīng)值 Chromosome; /將二進(jìn)制的基因位轉(zhuǎn)化為十進(jìn)制 UINT toDec(Chromosome pop) UINT i; UINT radix = 1; UINT result = 0; for(i=0; iGENE_NUM; i+) result += (pop.geneBiti-0)*radix; radix *= 2; r

6、eturn result; UINT calcFitValue(UINT x) return FEXP(x); void test(Chromosome *pop) int i; int j; for(i=0; iPOP_NUM; i+) printf(%d: , i+1); for(j=0; j= (int)(BIANYI_RATE*100) #if (C=1) & (CFLAG=4) printf(n種群個(gè)體沒有基因變異n); #endif return ; randCol = rand()%GENE_NUM; / 隨機(jī)產(chǎn)生將要變異的基因位 randRow = rand()%POP_NUM

7、; / 隨機(jī)產(chǎn)生將要變異的染色體位 #if (C=1) & (CFLAG=4) printf(n變異前n); test(pop); printf(n變異的位置為:染色體號(hào)=%d 基因位號(hào)=%dn, randRow+1, randCol); #endif poprandRow.geneBitrandCol = (poprandRow.geneBitrandCol=0) ? 1:0; /1變?yōu)?, 0變?yōu)? poprandRow.fitValue = calcFitValue( toDec(poprandRow) ); #if (C=1) & (CFLAG=4) printf(n變異后n); te

8、st(pop); #endif /創(chuàng)建初始群體 void createPop(Chromosome *pop) UINT i,j; UINT randValue; UINT value; srand(unsigned)time(NULL); for(i=0; iPOP_NUM; i+) for(j=0; jGENE_NUM; j+) randValue = rand()%2; popi.geneBitj = randValue+0; / 將隨機(jī)數(shù)0或1賦給基因 value= toDec(popi); popi.fitValue = calcFitValue(value); #if (C=1)

9、& (CFLAG=1) printf(n隨機(jī)分配的種群如下:n); test(pop); #endif /更新種群 void updatePop(Chromosome *newPop, Chromosome *oldPop) UINT i; for(i=0; i0; i-) for(j=0; j popj.fitValue) tempPop = popj+1; popj+1 = popj; popj = tempPop; /計(jì)算總適應(yīng)值 sumFitValue = 0; for(i=0; iPOP_NUM; i+) sumFitValue += popi.fitValue; aFitValue

10、 = (UINT)(float)sumFitValue/POP_NUM)+0.5); /計(jì)算平均適應(yīng)值 /計(jì)算出每個(gè)群體選擇機(jī)會(huì)，群體的概率=群體適應(yīng)值/總適應(yīng)值，平均概率= 平均適應(yīng)值/總適應(yīng)值，群體選擇機(jī)會(huì) = (群體的概率/平均概率) for(i=0; iPOP_NUM; i+) choicei = (float)popi.fitValue/sumFitValue)/(float)aFitValue/sumFitValue); choicei = (float)(int)(choicei*100+0.5)/100.0);/保留到小數(shù)點(diǎn)后2位 /根據(jù)選擇概率來繁殖優(yōu)良個(gè)體，并淘汰較差個(gè)體

11、for(i=0; i= (int)(JIAOCHA_RATE*100) #if (C=1) & (CFLAG=3) printf(n種群沒有進(jìn)行交叉.n); #endif return ; #if (C=1) & (CFLAG=3) printf(n交叉前,種群如下:n); test(pop); printf(n交叉的位置依次為:); #endif /染色體兩兩交叉 for(i=0; iPOP_NUM; i+=2) randPos = (rand()%(GENE_NUM-1)+1); / 產(chǎn)生隨機(jī)交叉點(diǎn)，范圍是1到GENE_NUM-1 strncpy(tmpStr, popi.geneBit+

12、randPos, GENE_NUM-randPos); strncpy(popi.geneBit+randPos, popi+1.geneBit+randPos, GENE_NUM-randPos); strncpy(popi+1.geneBit+randPos, tmpStr, GENE_NUM-randPos); #if (C=1) & (CFLAG=3) printf( %d, randPos); #endif / 對(duì)個(gè)體計(jì)算適應(yīng)度 for(i=0; iPOP_NUM; i+) popi.fitValue = calcFitValue(toDec(popi) ); #if (C=1) &

13、 (CFLAG=3) printf(n交叉后,種群如下:n); test(pop); #endif /輸出結(jié)果void result(Chromosome *pop) UINT i; UINT x = 0; UINT maxValue = 0; / 函數(shù)的最大值 for(i=0; i maxValue) maxValue = popi.fitValue; x = toDec(popi); printf(n當(dāng)x=%d時(shí),函數(shù)得到最大值為:%dnn, x, maxValue); int main(int argc, char *argv)int count; /迭代次數(shù) Chromosome curPopPOP_NUM; /初始種群或者當(dāng)前總?cè)?Chromosome nextPopPOP_NUM; /變異后種群 createPop(curPop); for(count=1; count(ITER_NUM+1); count+) updatePop(curPop, nextPop); / 更新種群 select(nextPop); /選擇 cross(nextPop); /交叉 mutation(nextPop); /變異 updateP