人工智能实验报告.docx

1、人工智能实验报告人工智能实验报告 人工智能第二次实验报告一实验题目： 遗传算法的设计与实现二实验目的： 通过人工智能课程的学习，熟悉遗传算法的简单应用。三实验内容 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

2、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20100。 （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

3、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（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0.00010.1。 （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 #define C 0 /测试 #define CFLAG 4

4、 /测试标记 #define BIANYI_RATE 0.09 /变异概率为0.0001-0.1 #define ITER_NUM 1000 /迭代次数 #define POP_NUM 20 /染色体个数#define GENE_NUM 5 /基因位数 #define FEXP(x) (x)*(x) /y=x2 typedef unsigned int UINT; /染色体 typedef struct char geneBitGENE_NUM; /基因位 UINT fitValue; /适应值 Chromosome; /将二进制的基因位转化为十进制 UINT toDec(Chromosome

5、 pop) UINT i; UINT radix = 1; UINT result = 0; for(i=0; iGENE_NUM; i+) result += (pop.geneBiti-0)*radix; radix *= 2; return 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

6、) & (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=%dn, randRow+1, randCol); #endif poprandRow.geneBitrandCol = (poprandRow.geneBitrandCol=

7、0) ? 1:0; /1变为0, 0变为1 poprandRow.fitValue = calcFitValue( toDec(poprandRow) ); #if (C=1) & (CFLAG=4) printf(n变异后n); test(pop); #endif /创建初始群体 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 = ra

8、nd()%2; popi.geneBitj = randValue+0; / 将随机数0或1赋给基因 value= toDec(popi); popi.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 void updatePop(Chromosome *newPop, Chromosome *oldPop) UINT i; for(i=0; i0; i-) for(j=0; j popj.fitValue) tempPop = popj+1;

9、popj+1 = popj; popj = tempPop; /计算总适应值 sumFitValue = 0; for(i=0; iPOP_NUM; i+) sumFitValue += popi.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; iPOP_NUM; i+) choicei = (float)popi.fitValue/sumFitV

10、alue)/(float)aFitValue/sumFitValue); choicei = (float)(int)(choicei*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= (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

11、交叉 for(i=0; iPOP_NUM; 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, popi.geneBit+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)

12、printf( %d, randPos); #endif / 对个体计算适应度 for(i=0; iPOP_NUM; i+) popi.fitValue = calcFitValue(toDec(popi) ); #if (C=1) & (CFLAG=3) printf(n交叉后,种群如下:n); test(pop); #endif /输出结果void result(Chromosome *pop) UINT i; UINT x = 0; UINT maxValue = 0; / 函数的最大值 for(i=0; i maxValue) maxValue = popi.fitValue; x =

13、 toDec(popi); printf(n当x=%d时,函数得到最大值为:%dnn, x, maxValue); int main(int argc, char *argv) int count; /迭代次数 Chromosome curPopPOP_NUM; /初始种群或者当前总群 Chromosome nextPopPOP_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); return 0; 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。