人工智能实验报告

人工智能二次实验报告1.实验标题：遗传算法的设计与实现实验目的：通过人工智能过程的学习，熟悉遗传算法的简单应用。3.实验内容使用遗传算法求解f (x)=x2的最大值，x-0，31，x取整数。为了反映遗传算法的思考，选择在问题选择上比较容易实现的功能，着重于遗传算法的实现和核心思想经验比较简单。4.实验过程：1.实施过程(1)编码使用二进制代码随机生成初始群体。l表示弦的长度，通常由问题的解决精度确定。弦长度l越长，可预期的最优解的精度越高，l越大，运算量越大。此问题设置为x0，31，因此将二进制长度设置为5就足够了。(2)创建初始组人口规模表示每一代的个体数。随机生成n个初始字符串结构数据，每个字符串结构数据成为一个对象，n个对象构成一个初始人口，n表示人口规模的大小。n值越低，遗传算法的运算速度就越高，但人口的多样性减少，容易引起遗传算法早熟的出现、假收敛。n值越大，遗传算法的效率就越低。一般建议的范围为20-100。(3)适宜性测试根据实际标准计算个人的适合性，判断个人的优劣，即该个人可能表现出的解法的优劣。在此示例中，适合性是所需的目的函数。(4)选择在当前组中选择优秀的(适应性高的)对象，进入下一个迭代过程，给人抛弃适应性低的对象的机会。在这种情况下，请使用轮盘选择方法。也就是说，选择对象的概率与其适应度值的大小成正比。(5)交点根据基因操作，设定的交叉概率，对交配池中的个体进行基因交叉操作，形成新一代人口，新一代中间个体的信息来自父系个体，反映了信息交换的原理。交叉概率控制交叉运算的频率，因为交叉运算是遗传算法中生成新对象的主要方法，所以通常交叉概率取较大的值。但是，如果太大，集团的优秀模式可能会遭到破坏。通常介于0.4和0.99之间。(6)变异随机选择中间群体的一个个体，将个体的一个基因值变为变异概率大小。变异提供了生产新个体的机会。变异概率也是影响新个体生产的因素，变异概率小，新个体生成较少。变异概率太大，遗传算法就会变成随机搜索。典型的变异概率为0.0001-0.1。(7)终止条件如果生成的解决方案大于900，则结束。遗传效率问题。5.代码和结果：/*遗传算法设计最大值*/#include#include#include#include#define C 0 /测试#define CFLAG 4 /测试标签# define jiao _ rate20.5/交叉概率通常为0.4到0.99# define bianyi _ rate20.09/变异概率为0.0001-0.1# definiter _ num1000/重复#define POP_NUM 20 /染色体数目# definevgene _ num 5/基因位数# define fexp (x) (x) * (x) )/y=x 2Typedef unsigned int UINT/染色体Typedef structchar GENE bitGENE _ NUM；/基因位置UINT fitValue/适应值 chrome/将二进制基因位置转换为十进制Uint todem (chrome pop) UINT I；UINT radix=1；UINT result=0；for(I=0)；I=(int)(BIANYI_RATE*100)#if (C=1) (CFLAG=4)Printf(n对象对象没有基因变异。 n )；#endifReturnrand col=rand()% GENE _ NUM；/随机生成要变异的基因位置RandRow=rand()% POP _ NUM；/随机生成要变异的染色体位置#if (C=1) (CFLAG=4)printf(“ n转换之前 n”)；测试(pop)；Printf(n变异位置为：染色体编号=%d基因位号=%dn ，randRow 1，randCol)。#endifPop rand row。gene bit rand col=(pop rand row)。gene bitrand col=0)？1:0；/1变成0，0变成1Pop rand row。fit value=calc FIP value(Todd(poprand row)；#if (C=1) (CFLAG=4)printf(“ n移动后 n”)；测试(pop)；#endif/创建初始组Void createpop (chrome * pop) UINT i、j；UINT randValueUINT valueSrend (unsigned) time (null)for(I=0)；i0；I-)for(j=0)；j(I-1)；j)If (pop J1)。fit value pop j。fit value)TempPop=popj 1；popj 1=popj；popj=tempPop；/计算总适应值sum