人工智能实验报告

人工智能第二次试验汇报试验题目：遗传算法的设计与实现试验目的：通过人工智能课程的学习，熟悉遗传算法的简朴应用。试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朴，只要是为了体现遗传算法的思想，在问题选择上，选了一种比较轻易实现的，把重要精力放在遗传算法的实现，以及关键思想体会上。试验过程：实现过程（1）编码使用二进制编码，随机产生一种初始种群。L表达编码长度，一般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，由于题设中x∈[0,31]，因此将二进制长度定为5就够用了；（2）生成初始群体种群规模表达每一代种群中所含个体数目。随机产生N个初始串构造数据，每个串构造数据成为一种个体，N个个体构成一种初始群体，N表达种群规模的大小。当N取值较小时，可提高遗传算法的运算速度，但却减少种群的多样性，轻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减少。一般提议的取值范围是20—100。（3）适应度检测根据实际原则计算个体的适应度，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的函数；（4）选择从目前群体中选择优良（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措施，即个体被选择的几率与其适应度值大小成正比；（5）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，体现了信息互换的原则。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重要措施，因此交叉概率一般应取较大值；但若过大的话，又也许破坏群体的优良模式。一般取0.4到0.99。（6）变异随机选择中间群体中的某个个体，以变异概率大小变化个体某位基因的值。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种原因，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。（7）结束条件当得到的解不小于等于900时，结束。从而观看遗传的效率问题。代码及成果：/*遗传算法设计最大值*/#include<stdio.h>#include<string.h>#include<stdlib.h>#include<time.h>#defineC0//测试#defineCFLAG4//测试标识#defineJIAOCHA_RATE0.5//交叉概率一般取0.4到0.99#defineBIANYI_RATE0.09//变异概率为0.0001-0.1#defineITER_NUM1000//迭代次数#definePOP_NUM20//染色体个数#defineGENE_NUM5//基因位数#defineFEXP(x)((x)*(x))//y=x^2typedefunsignedintUINT;//染色体typedefstruct{chargeneBit[GENE_NUM];//基因位UINTfitValue;//适应值}Chromosome;//将二进制的基因位转化为十进制UINTtoDec(Chromosomepop){UINTi;UINTradix=1;UINTresult=0;for(i=0;i<GENE_NUM;i++){result+=(pop.geneBit[i]-'0')*radix;radix*=2;}returnresult;}UINTcalcFitValue(UINTx){returnFEXP(x);}voidtest(Chromosome*pop){inti;intj;for(i=0;i<POP_NUM;i++){printf("%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",calcFitValue(toDec(pop[i])));}}//变异得到新个体:随机变化基因voidmutation(Chromosome*pop){UINTrandRow,randCol;UINTrandValue;randValue=rand()%100;if(randValue>=(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,randCol);#endifpop[randRow].geneBit[randCol]=(pop[randRow].geneBit[randCol]=='0')?'1':'0';//1变为0,0变为1pop[randRow].fitValue=calcFitValue(toDec(pop[randRow]));#if(C==1)&&(CFLAG==4)printf("\n变异后\n");test(pop);#endif}//创立初始群体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0或1赋给基因}value=toDec(pop[i]);pop[i].fitValue=calcFitValue(value);}#if(C==1)&&(CFLAG==1)printf("\n随机分派的种群如下:\n");test(pop);#endif}//更新种群voidupdatePop(Chromosome*newPop,Chromosome*oldPop){UINTi;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){UINTi,j;UINTsumFitValue;//总适应值UINTaFitValue;//平均适应值floatchoice[POP_NUM];//选择ChromosometempPop;//互换变量#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].fitValue>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;i<POP_NUM;i++){sumFitValue+=pop[i].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;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=0;i<POP_NUM;i++){if(((int)(choice[i]+0.55))==0)//假如choice[i]==0淘汰繁殖一次最优的群体pop[POP_NUM-1]=pop[0];}#if(C==1)&&(CFLAG==2)printf("\n通过选择后来的种群:\n");test(pop);#endif}//交叉:基因互换voidcross(Chromosome*pop){chartmpStr[GENE_NUM]="";UINTi;UINTrandPos;UINTrandValue;randValue=rand()%100;if(randValue>=(int)(JIAOCHA_RATE*100)){#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;i<POP_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].geneBit+randPos,GENE_NUM-randPos);strncpy(pop[i].geneBit+randPos,pop[i+1].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}//输出成果voidresult(Chromosome*pop){UINTi;UINTx=0;UINTmaxValue=0;//函数的最大值for(i=0;i<POP_NUM;i++){if(pop[i].fitValue>maxValue){maxValue=pop[i].fitValue;x=toDec(pop[i]);}}printf("\n当x=%d时,函数得到最大值为:%d\n\n",x,maxVa