人工智能 遺傳算法實(shí)驗(yàn)報(bào)告

實(shí)用文檔人工智能實(shí)驗(yàn)報(bào)告學(xué) 號(hào)： 姓 名： 實(shí)驗(yàn)名稱： 遺傳算法 實(shí)驗(yàn)日期： 2016.1.5 【實(shí)驗(yàn)名稱】 遺傳算法 【實(shí)驗(yàn)?zāi)康摹空莆者z傳算法的基本原理，熟悉遺傳算法的運(yùn)行機(jī)制，學(xué)會(huì)用遺傳算法來(lái)求解問(wèn)題?！緦?shí)驗(yàn)原理】遺傳算法（Genetic Algorithm）是模擬達(dá)爾文生物進(jìn)化論的自然選擇和遺傳學(xué)機(jī)理的生物進(jìn)化過(guò)程的計(jì)算模型，是一種通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)解的方法。遺傳算法是從代表問(wèn)題可能潛在的解集的一個(gè)種群開(kāi)始的，而一個(gè)種群則由經(jīng)過(guò)基因編碼的一定數(shù)目的個(gè)體組成。每個(gè)個(gè)體實(shí)際上是染色體帶有特征的實(shí)體。在一開(kāi)始需要實(shí)現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。由于仿照基因編碼的工作很復(fù)雜，我們往往進(jìn)行簡(jiǎn)化，如二進(jìn)制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代演化產(chǎn)生出越來(lái)越好的近似解，在每一代，根據(jù)問(wèn)題域中個(gè)體的適應(yīng)度大小選擇個(gè)體，并借助于自然遺傳學(xué)的遺傳算子進(jìn)行組合交叉和變異，產(chǎn)生出代表新的解集的種群。這個(gè)過(guò)程將導(dǎo)致種群像自然進(jìn)化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個(gè)體經(jīng)過(guò)解碼，可以作為問(wèn)題近似最優(yōu)解。遺傳算法程度流程圖為：【實(shí)驗(yàn)內(nèi)容】題目：已知f(x)=x*sin(x)+1，x0,2p,求f(x)的最大值和最小值。 數(shù)據(jù)結(jié)構(gòu)：struct poptype double genelength;/染色體double realnumber;/對(duì)應(yīng)的實(shí)數(shù)xdouble fitness;/適應(yīng)度double rfitness;/相對(duì)適應(yīng)度double cfitness;/累計(jì)適應(yīng)度;struct poptype populationpopsize+1;/最后一位存放max/minstruct poptype newpopulationpopsize+1;/染色體編碼：，變量長(zhǎng)度為2 ，取小數(shù)點(diǎn)后6位，由于因此，染色體由23位字節(jié)的二進(jìn)制矢量表示，則X與二進(jìn)制串（）2之間的映射如下： ; 適應(yīng)度函數(shù)：由于要求f(x)的最值,所以適應(yīng)度函數(shù)即可為f(x)。但為了確保在輪賭法選擇過(guò)中，每個(gè)個(gè)體都有被選中的可能性，因此需要將所有適應(yīng)度調(diào)整為大于0的值。因此，設(shè)計(jì)求最大值的適應(yīng)度函數(shù)如下： 將最小問(wèn)題轉(zhuǎn)化為求-f(x)的最大值，同理，設(shè)計(jì)最小值的適應(yīng)度函數(shù)如下： 種群大小：本實(shí)驗(yàn)?zāi)J(rèn)為50，再進(jìn)行種群初始化。 實(shí)驗(yàn)參數(shù)：主要有迭代數(shù)，交叉概率，變異概率這三個(gè)參數(shù)。一般交叉概率在0.6-0.9范圍內(nèi)，變異概率在0.01-0.1范圍內(nèi)?？梢酝ㄟ^(guò)手動(dòng)輸入進(jìn)行調(diào)試。 主要代碼如下：void initialize()/種群初始化srand(time(NULL);int i,j;for(i=0;ipopsize;i+)for(j=0;j23;j+)populationi.genej=rand()%2;void transform()/染色體轉(zhuǎn)化為實(shí)數(shù)xint i,j;for(i=0;i=popsize+1;i+)populationi.realnumber=0;for(j=0;j23;j+)populationi.realnumber+=populationi.genej*pow(2,j); populationi.realnumber=populationi.realnumber*2*pi/(pow(2,23)-1); void cal_fitness()/計(jì)算適應(yīng)度int i;for(i=0;ipopsize;i+)populationi.fitness=populationi.realnumber*sin(populationi.realnumber)+6;void select()/選擇操作int mem,i,j,k;double sum=0;double p;for (mem=0;mempopsize;mem+)sum+=populationmem.fitness;for (mem=0;mempopsize; mem+)populationmem.rfitness=populationmem.fitness/sum;population0.cfitness=population0.rfitness;for (mem=1;mempopsize;mem+) populationmem.cfitness=populationmem-1.cfitness+populationmem.rfitness;for (i=0;ipopsize;i+) /輪賭法選擇機(jī)制p=rand()%1000/1000.0;if (ppopulation0.cfitness)newpopulationi=population0;elsefor (j=0;j=populationj.cfitness&ppopulationj+1.cfitness)newpopulationi=populationj+1; for (i=0;ipopsize;i+)/復(fù)制給下一代 populationi=newpopulationi; void cross()/交叉操作int i, mem, one;int first = 0; double x;for(mem=0;mempopsize;mem+)x = rand()%1000/1000.0;if (xpcross)+first;if (first%2=0) Xover(one,mem);/個(gè)體間染色體進(jìn)行交叉函數(shù)else one=mem; void mutate()/變異操作int i, j,t;double x;for (i=0;ipopsize;i+)for(j=0;jlength;j+)x=rand()%1000/1000.0; if (xpvariation) if(populationi.genej) populationi.genej=0;else populationi.genej=1; void cal_max()/計(jì)算最大值int i;double max,sum=0;int max_m;max=population0.fitness;for(i=0;ipopulationi+1.fitness)if(populationi.fitness=max)max=populationi.fitness;max_m=i; else if(populationi+1.fitness=max)max=populationi+1.fitness;max_m=i + 1; if(maxpopulationpopsize.fitness)iteration=0;for (i=0;ilength;i+)populationpopsize.genei=populationmax_m.genei;populationpopsize.fitness=populationmax_m.fitness; for (i=0;ilength;i+)sum=populationpopsize.genei-populationmax_m.genei;if(sum=0) iteration+