人工智能实验报告之欧阳美创编.docx
《人工智能实验报告之欧阳美创编.docx》由会员分享，可在线阅读，更多相关《人工智能实验报告之欧阳美创编.docx（11页珍藏版）》请在冰豆网上搜索。
人工智能实验报告之欧阳美创编
人工智能第二次实验报告
一．
时间：
2021.01.01
创作：
欧阳美
二．实验题目：
遗传算法的设计与实现
三．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。
四．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。
四.实验过程：
1.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。
五.代码及结果：
/*遗传算法设计最大值*/
#include
#include
#include
#include
#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{
result+=（pop.geneBit[i]-'0'）*radix;
radix*=2;
}
returnresult;
}
UINTcalcFitValue（UINTx）{
returnFEXP（x）;
}
voidtest（Chromosome*pop）{
inti;
intj;
for（i=0;i{
printf（"%d:
",i+1）;
for（j=0;jprintf（"%c",pop[i].geneBit[j]）;
printf（"%4d",toDec（pop[i]））;
printf（"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）&&（CFLAG==4）
printf（"\n变异前\n"）;
test（pop）;
printf（"\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]=='0'）?
'1':
'0';//1变为0,0变为1
pop[randRow].fitValue=calcFitValue（toDec（pop[randRow]））;
#if（C==1）&&（CFLAG==4）
printf（"\n变异后\n"）;
test（pop）;
#endif
}
//创建初始群体
voidcreatePop（Chromosome*pop）{
UINTi,j;
UINTrandValue;
UINTvalue;
srand（（unsigned）time（NULL））;
for（i=0;i{
for（j=0;j{
randValue=rand（）%2;
pop[i].geneBit[j]=randValue+'0';//将随机数0或1赋给基因
}
value=toDec（pop[i]）;
pop[i].fitValue=calcFitValue（value）;
}
#if（C==1）&&（CFLAG==1）
printf（"\n随机分配的种群如下:
\n"）;
test（pop）;
#endif
}
//更新种群
voidupdatePop（Chromosome*newPop,Chromosome*oldPop）{
UINTi;
for（i=0;ioldPop[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）{
UINTi,j;
UINTsumFitValue;//总适应值
UINTaFitValue;//平均适应值
floatchoice[POP_NUM];//选择
ChromosometempPop;//交换变量
#if（C==1）&&（CFLAG==2）//测试
printf（"\n没有选择前的种群如下:
\n"）;
test（pop）;
#endif
//根据个体适应度冒泡降序排序
for（i=POP_NUM;i>0;i--）
{
for（j=0;j<（i-1）;j++）
{
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;
for（i=0;i{
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）
for（i=0;i{
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
for（i=0;i{
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];
}
#if（C==1）&&（CFLAG==2）
printf（"\n经过选择以后的种群:
\n"）;
test（pop）;
#endif
}
//交叉:
基因交换
voidcross（Chromosome*pop）{
chartmpStr[GENE_NUM]="";
UINTi;
UINTrandPos;
UINTrandValue;
randValue=rand（）%100;
if（randValue>=（int）（JIAOCHA_RATE*100））{
#if（C==1）&&（CFLAG==3）
printf（"\n种群没有进行交叉.\n"）;
#endif
return;}
#if（C==1）&&（CFLAG==3）
printf（"\n交叉前,种群如下:
\n"）;
test（pop）;
printf（"\n交叉的位置依次为:
"）;
#endif
//染色体两两交叉
for（i=0;irandPos=（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）;
#if（C==1）&&（CFLAG==3）
printf（"%d",randPos）;
#endif
}
//对个体计算适应度
for（i=0;ipop[i].fitValue=calcFitValue（toDec（pop[i]））;
}
#if（C==1）&&（CFLAG==3）
printf（"\n交叉后,种群如下:
\n"）;
test（pop）;
#endif
}
//输出结果
voidresult（Chromosome*pop）{
UINTi;
UINTx=0;
UINTmaxValue=0;//函数的最大值
for（i=0;i{
if（pop[i].fitValue>maxValue）{
maxValue=pop[i].fitValue;
x=toDec（pop[i]）;
}
}
printf（"\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
printf（"\n第%d次迭代:
\n",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。
时间：
2021.01.01
创作：
欧阳美
升级会员 