人工智能实验报告Word下载.docx
《人工智能实验报告Word下载.docx》由会员分享，可在线阅读，更多相关《人工智能实验报告Word下载.docx（11页珍藏版）》请在冰豆网上搜索。
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。
（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。
一般取0.4到0.99。
（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。
一般取变异概率为0.0001—0.1。
（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。
六.代码及结果：
七.
/*遗传算法设计最大值*/
#include<
stdio.h>
string.h>
stdlib.h>
time.h>
#defineC0//测试
#defineCFLAG4//测试标记
#defineJIAOCHA_RATE0.5//交叉概率一般取0.4到0.99
#defineBIANYI_RATE0.09//变异概率为0.0001-0.1
#defineITER_NUM1000//迭代次数
#definePOP_NUM20//染色体个数
#defineGENE_NUM5//基因位数
#defineFEXP（x）（（x）*（x））//y=x^2
typedefunsignedintUINT;
//染色体
typedefstruct{
chargeneBit[GENE_NUM];
//基因位
UINTfitValue;
//适应值
}Chromosome;
//将二进制的基因位转化为十进制
UINTtoDec（Chromosomepop）{
UINTi;
UINTradix=1;
UINTresult=0;
for（i=0;
i<
GENE_NUM;
i++）
{
result+=（pop.geneBit[i]-'
0'
）*radix;
radix*=2;
}
returnresult;
}
UINTcalcFitValue（UINTx）{
returnFEXP（x）;
voidtest（Chromosome*pop）{
inti;
intj;
POP_NUM;
printf（"
%d:
"
i+1）;
for（j=0;
j<
j++）
%c"
pop[i].geneBit[j]）;
%4d"
toDec（pop[i]））;
fixValue=%d\n"
calcFitValue（toDec（pop[i]）））;
//变异得到新个体:
随机改变基因
voidmutation（Chromosome*pop）{
UINTrandRow,randCol;
UINTrandValue;
randValue=rand（）%100;
if（randValue>
=（int）（BIANYI_RATE*100））
#if（C==1）&
&
（CFLAG==4）
printf（"
\n种群个体没有基因变异\n"
）;
#endif
return;
randCol=rand（）%GENE_NUM;
//随机产生将要变异的基因位
randRow=rand（）%POP_NUM;
//随机产生将要变异的染色体位
#if（C==1）&
\n变异前\n"
test（pop）;
\n变异的位置为:
染色体号=%d基因位号=%d\n"
randRow+1,randCol）;
#endif
pop[randRow].geneBit[randCol]=（pop[randRow].geneBit[randCol]=='
）?
'
1'
:
'
;
//1变为0,0变为1
pop[randRow].fitValue=calcFitValue（toDec（pop[randRow]））;
\n变异后\n"
}
//创建初始群体
voidcreatePop（Chromosome*pop）{
UINTi,j;
UINTvalue;
srand（（unsigned）time（NULL））;
randValue=rand（）%2;
pop[i].geneBit[j]=randValue+'
//将随机数0或1赋给基因
value=toDec（pop[i]）;
pop[i].fitValue=calcFitValue（value）;
（CFLAG==1）
\n随机分配的种群如下:
\n"
//更新种群
voidupdatePop（Chromosome*newPop,Chromosome*oldPop）{
i++）{
oldPop[i]=newPop[i];
//选择优良个体:
根据适应度选择最优解，即最优个体
voidselect（Chromosome*pop）{
UINTsumFitValue;
//总适应值
UINTaFitValue;
//平均适应值
floatchoice[POP_NUM];
//选择
ChromosometempPop;
//交换变量
（CFLAG==2）//测试
\n没有选择前的种群如下:
//根据个体适应度冒泡降序排序
for（i=POP_NUM;
i>
0;
i--）
（i-1）;
if（pop[j+1].fitValue>
pop[j].fitValue）
tempPop=pop[j+1];
pop[j+1]=pop[j];
pop[j]=tempPop;
//计算总适应值
sumFitValue=0;
sumFitValue+=pop[i].fitValue;
aFitValue=（UINT）（（（float）sumFitValue/POP_NUM）+0.5）;
//计算平均适应值
//计算出每个群体选择机会，群体的概率=群体适应值/总适应值，平均概率=平均适应值/总适应值，群体选择机会=（群体的概率/平均概率）
choice[i]=（（float）pop[i].fitValue/sumFitValue）/（（float）aFitValue/sumFitValue）;
choice[i]=（float）（（int）（choice[i]*100+0.5）/100.0）;
//保留到小数点后2位
//根据选择概率来繁殖优良个体，并淘汰较差个体
if（（（int）（choice[i]+0.55））==0）//如果choice[i]==0淘汰繁殖一次最优的群体
pop[POP_NUM-1]=pop[0];
（CFLAG==2）
\n经过选择以后的种群:
//交叉:
基因交换
voidcross（Chromosome*pop）{
chartmpStr[GENE_NUM]="
"
UINTrandPos;
=（int）（JIAOCHA_RATE*100））{
（CFLAG==3）
\n种群没有进行交叉.\n"
（CFLAG==3）
\n交叉前,种群如下:
\n交叉的位置依次为:
//染色体两两交叉
i+=2）{
randPos=（rand（）%（GENE_NUM-1）+1）;
//产生随机交叉点，范围是1到GENE_NUM-1
strncpy（tmpStr,pop[i].geneBit+randPos,GENE_NUM-randPos）;
strncpy（pop[i].geneBit+randPos,pop[i+1].geneBit+randPos,GENE_NUM-randPos）;
strncpy（pop[i+1].geneBit+randPos,tmpStr,GENE_NUM-randPos）;
%d"
randPos）;
//对个体计算适应度
pop[i].fitValue=calcFitValue（toDec（pop[i]））;
\n交叉后,种群如下:
//输出结果
voidresult（Chromosome*pop）{
UINTx=0;
UINTmaxValue=0;
//函数的最大值
if（pop[i].fitValue>
maxValue）{
maxValue=pop[i].fitValue;
x=toDec（pop[i]）;
\n当x=%d时,函数得到最大值为:
%d\n\n"
x,maxValue）;
}
intmain（intargc,char*argv[]）{
intcount;
//迭代次数
ChromosomecurPop[POP_NUM];
//初始种群或者当前总群
ChromosomenextPop[POP_NUM];
//变异后种群
createPop（curPop）;
for（count=1;
count<
（ITER_NUM+1）;
count++）{
updatePop（curPop,nextPop）;
//更新种群
select（nextPop）;
//选择
cross（nextPop）;
//交叉
mutation（nextPop）;
//变异
updatePop（nextPop,curPop）;
//更新
\n第%d次迭代:
count）;
test（curPop）;
result（curPop）;
return0;
实验结果：
实验小结：
经过本次实验对遗传算法有了深刻的了解，充分体会到遗传算法对优缺点
，了解了演化算法的基本思想，虽然过程中出现了很多小问题，比如大小写什么的还有就是逻辑错误，但是最终在理解的基础上成功实现了功能，认真分析后，提高了解决问题的能力。
升级会员 