人工智能(遗传算法).doc

人工智能
遗传算法实验报告
实验目的
1． 熟悉和掌握遗传算法的原理、实质
2． 学会使用遗传算法解决问题
3． 学会编写遗传算法程序寻找函数最值
实验原理
遗传算法是仿真生物遗传学和自然选择机理，通过人工方式所构造的一类搜索算法，从某种程度上说遗传算法是对生物进化构成进行的数学方式仿真。在遗传算法中染色体对应的是一系列符号序列，在标准的遗传算法(即基本遗传算法)中，通常用0, 1组成的位串表示，串上各个位置对应基因座，各位置上的取值对应等位基因。遗传算法对染色体进行处理，染色体称为基因个体。一定数量的基因个体组成基因种群。种群中个体的数目为种群的规模，各个体对环境的适应程度称为适应度。
实验条件
1. Window NT/xp/7及以上的操作系统
2. 内存在512M以上
3. CPU在奔腾II以上
实验内容
1. 用遗传算法解决下面函数的极大值问题。

2. 遗传算法的具体实施策略不限，最好用MATLAB
实验分析
1. 遗传算法基本步骤
① 选择目标函数，确定变量定义域及编码精度，形成编码方案
② 随机产生一个规模为 （即该种群中含有个体）的种群
③ 对被选择进入匹配池中的个体进行交叉操作，形成新种群
④ 以小概率在种群 中选择个体进行变异操作形成新种群
⑤ 计算每个个体的适值
⑥ 根据适值概率选择 个新个体形成新种群
⑦ 检查结束条件，若满足则算法结束，当前种群中适值最高的个体即所求解；否则转③
2. 遗传算法的优点
① 遗传算法以控制变量的编码作为运算对象。这种对控制变量的编码处理方式，可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地处理各种变量和应用遗传操作算子。
② 遗传算法具有内在的本质并行性。
③ 遗传算法直接以目标函数值作为搜索信息。
④ 遗传算法是采用概率的变迁规则来指导它的搜索方向，其搜索过程朝着搜索空间的更优化的解区域移动，它的方向性使得它的效率远远高于一般的随机算法。
⑤ 原理简单，操作方便，占用内存少，适用于计算机进行大规模计算，尤其适合处理传统搜索方法难以解决的大规模、非线性组合复杂优化问题。
⑥ 由于遗传基因串码的不连续性，所以遗传算法处理非连续混合整数规划时有其独特的优越性，而且使得遗传算法对某些病态结构问题具有很好的处理能力。
⑦ 遗传算法同其他算法有较好的兼容性。如可以用其他的算法求初始解；在每一代种群，可以用其他的方法求解下一代新种群。
实验步骤
算法流程图

程序代码
#include<stdio.h>
#include<time.h>
#include<stdlib.h>
typedef struct
{
int code; //染色体
int degree;//适应度
}Indi;
Indi group[40];//种群规模为40
void Judge(Indi &x)
{
x.degree=x.code*x.code;
}
int happened(double p)//发生一个p=0~1间概率的事件
{
return rand()<(int)(p*RAND_MAX);
}
void Cross(Indi &x,Indi &y)//交叉操作
{
Indi z,z1;
int temp,temp1;
temp=x.code&0x3;
temp1=y.code&0x3;
z.code=x.code-temp+temp1;
z1.code=y.code-temp1+temp;
Judge(z);
Judge(z1);
if(x.degree<y.degree)
{
if(z.degree>=x.degree) //如果新个体不如双亲，淘汰之
x=z;
}
else
{
if(z.degree>=y.degree)
y=z;
}
if(x.degree<y.degree)
{
if(z1.degree>=x.degree) //如果新个体不如双亲，淘汰之
x=z1;
}
else
{
if(z1.degree>=y.degree)
y=z1;
}
}
int main(void)
{
Indi indidest;
int i,j,best,x,y,c;
int sum,strick,SUM=0;
static int n=0;
srand(time(NULL));
for(i=0;i<40;++i)//随机得到初始种群
{
group[i].code=rand()%32;
Judge(group[i]);
}
for(i=1;i<=10;++i)//固定进化10代
{
for(sum=0,best=0,j=0;j<40;++j)
{
sum+=group[j].degree;//求总的适应度sum
if(group[j].degree>group[best].degree)
{
best=j;//求当前最优个体
}
}

printf("第%2d代中 最优个体为 %d (%d) 平均适应度为 %10f\n",
i,group[best].code,group[best].degree,sum/40.0);
for(c=40;c;--c)
{
strick=(int)((float)rand()/RAND_MAX*sum); //赌盘中的色子，选择个体x,y
for(x=0;x<40&&strick>=group[x].degree;++x)
strick-=group[x].degree;
strick=(int)((float)rand()/RAND_MAX*sum);
for(y=0;y<40&&strick>=group[y].degree;++y)
strick-=group[y].degree;
if(happened(0.9))
Cross(group[x],group[y]);//交叉
}
}
return 0;
}

程序运行效果图

个人实验小结
通过本次实验，我了解了遗传算法具体的解决问题的过程，熟悉和掌握遗传算法的原理、实质，学会了使用遗传算法解决问题，同时也发现了遗传算法的缺点：早熟。这是最大的缺点，即算法对新空间的探索能力是有限的，也容易收敛到局部最优解；大量计算。涉及到大量个体的计算，当问题复杂时，计算时间是个问题；处理规模小。目前对于维数较高的问题，还是很难处理和优化的；难于处理非线性约束。对非线性约束的处理，大部分算法都是添加惩罚因子，这是一笔不小的开支；稳定性差。因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。实验过程中巩固了所学的知识，通过实验也提高了自己的编程和思维能力，收获很多。
6