人工智能(遗传算法)
人工智能(遗传算法)时间：2023.7.5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.WindowNT/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。
f(x)?x其中x?[0,31]
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2
1
人工智能
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
2
程序代码
#include#include#includetypedefstruct
{
intcode;//染色体intdegree;//适应度}Indi;
人工智能3
人工智能
Indigroup[40];//种群规模为40
voidJudge(Indi&x)
{
x.degree=x.code*x.code;
}
inthappened(doublep)//发生一个p=0~1间概率的事件{
returnrand()=y.degree)
y=z;
}
if(x.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;
}
}
4
人工智能
intmain(void)
{
Indiindidest;
inti,j,best,x,y,c;
intsum,strick,SUM=0;
staticintn=0;
srand(time(NULL));
for(i=0;i