2020年人工智能实验报告

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—・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。实验内容用遗传算法求解f(X)=X2的最大值，Xe[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。实验过程：1.实现过程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xe[0,31],所以将二进制长度定为5就够用了；

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...感谢聆听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；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；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。IIIHHIHMHH^IH^^^H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。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.代码及结果:/*遗传算法设计最大值*/#include〈stdiooh>#include〈string・h>#include<stdliboh>#include〈time°h>#defineC0#defineCFLAG4#defineJIAOCHA_RATE般取0。4到0。99#defineBIANYI_RATE为。.0001—0.1/*遗传算法设计最大值*/#include〈stdiooh>#include〈string・h>#include<stdliboh>#include〈time°h>#defineC0#defineCFLAG4#defineJIAOCHA_RATE般取0。4到0。99#defineBIANYI_RATE为。.0001—0.1#defineITER_NUM1数#definePOP_NUM数//测试〃测试标记0.5〃交叉概率一0.09//变异概率000//迭代次20〃染色体个#defineGENENUM5//基因位数UINTi;UINTradix=1;UINTresult=0;for(i=0;i〈GENE_NUM；i++){result+=(popogeneBit[i]-’O，)/radix;radix*=2；}returnresult;}UINTcalcFitValue(UINTx){returnFEXP(x);

}voidtest(Chromosome*pop){inti;intj;for(i=0;iVPOP_NUM;i++){p「intf(”％d:",i+1);for(j=0;j<GENE_NUM;j++)printf("%c”,pop[i].geneBit[j])；printf("%4d",toDec(pop[i]));printf(”fixValue=%d\n”，caIcFitValue(toDec(pop[i])));}}//变异得到新个体：随机改变基因voidmutation(ChromosomeWpop){UlNTrandRow,randCol;UINTrandValue;randVaIue=rand()%10O;if(randVaIue〉=(int)(BIANYI_RATE*100)){

#if(C==1)&&(CFLAG==4)printf("\n种群个体没有基因变异\n”);#endifreturn;}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,randCoI);#endifpop[randRow].geneBit[randCoI]=(pop[randRow].geneBit[randCol]==’0’)？11':'0';//1变为0,。变为1pop[randRow].fitVaIue=caIcFitVaIue(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<POP_NUM;i++){for(j=0;j〈GENE_NUM;j++){randValue=rand()%2;pop[i].geneBit[j]=randValue+'0‘；//将随机数。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)(UlNTi;for(i=0；i<POP_NUM；i++){

oldPop[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){UlNTi,j;UINTsumFitValue;〃总适应值UlNTaFitValue;〃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]。fitVaIue>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；iVPOP_NUM;i++){sumFitValue+=pop[i].fitValue;

aFitValue(UINT)(((float)sumFitValue/POP_NUM)+0.5);〃计算平均适应值aFitValue(UINT)(((float)sumFitVa//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<POP_NUM;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=O;i<POP_NUM;i++){if(((int)(choice[i]+0.55))==0)//如果choice[i]==。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;UlNTrandPos;UINTrandVaIue;randVaIue=rand()%100;if(randValue〉=(int)(JIAOCHA_RATEW100)){#if(C==1)&&(CFLAG==3)printf("\n种群没有进行交叉.\n");#endifreturn；}#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;iVPOP_NUM;i+=2){randPos=(rand()%(GENE_NUM-1)+1);//产生随机交叉点，范围是1到GENE_NUM—1strncpy(tmpStr,pop[i]ogeneBit+randPos,GENE_NUM—randPos);strncpy(pop[i]。geneBit+randPos,pop[i+l]。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；i<POP_NUM；i++){pop[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=O;iVPOP_NUM；i++){if(pop[i]。fitValue>maxValue){maxValue=pop[i]ofitValue;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：

ajl"C:\IJs.ers\wu/ang\Desktop\Debug产求最大值,exe"TOC\o"1-5"\h\z|第［蔺0次迭代:1：11111312：11111313：11111314：11111315：11111316：11111317：11111318：11111319：111113116：111113111：111113112：111113113：111113114：111113115：101112916：010112617：100112518：111012319：11101232G：1110123fixUalue=9G1fixUalue=961fixUalue=9G1fixUalue=961fixUalue=9G1fixUalue=961fixUalue=9G1fixUalue=961fixUalue=9G1fixUalue=9G1fixUalue=961fixUalue=9G1fixUalue=961fixUalue=9G1fixUalue=9