人工智能实验报告之欧阳美创编.docx
- 文档编号:9502064
- 上传时间:2023-02-05
- 格式:DOCX
- 页数:11
- 大小:18.47KB
人工智能实验报告之欧阳美创编.docx
《人工智能实验报告之欧阳美创编.docx》由会员分享,可在线阅读,更多相关《人工智能实验报告之欧阳美创编.docx(11页珍藏版)》请在冰豆网上搜索。
人工智能实验报告之欧阳美创编
人工智能第二次实验报告
一.
时间:
2021.01.01
创作:
欧阳美
二.实验题目:
遗传算法的设计与实现
三.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。
四.实验内容
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。
四.实验过程:
1.实现过程
(1)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x∈[0,31],所以将二进制长度定为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。
(3)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;
(4)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;
(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。
(6)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。
(7)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。
五.代码及结果:
/*遗传算法设计最大值*/
#include
#include
#include
#include
#defineC0//测试
#defineCFLAG4//测试标记
#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^2
typedefunsignedintUINT;
//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 { result+=(pop.geneBit[i]-'0')*radix; radix*=2; } returnresult; } UINTcalcFitValue(UINTx){ returnFEXP(x); } voidtest(Chromosome*pop){ inti; intj; for(i=0;i { printf("%d: ",i+1); for(j=0;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: 随机改变基因 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"); #endif return; } 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); #endif pop[randRow].geneBit[randCol]=(pop[randRow].geneBit[randCol]=='0')? '1': '0';//1变为0,0变为1 pop[randRow].fitValue=calcFitValue(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 { for(j=0;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随机分配的种群如下: \n"); test(pop); #endif } //更新种群 voidupdatePop(Chromosome*newPop,Chromosome*oldPop){ UINTi; for(i=0;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;//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].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 { 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 { 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 { if(((int)(choice[i]+0.55))==0)//如果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; 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"); #endif return;} #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 randPos=(rand()%(GENE_NUM-1)+1);//产生随机交叉点,范围是1到GENE_NUM-1 strncpy(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[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=0;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,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: 实验小结: 经过本次实验对遗传算法有了深刻的了解,充分体会到遗传算法对优缺点 ,了解了演化算法的基本思想,虽然过程中出现了很多小问题,比如大小写什么的还有就是逻辑错误,但是最终在理解的基础上成功实现了功能,认真分析后,提高了解决问题的能力。 时间: 2021.01.01 创作: 欧阳美
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 人工智能 实验 报告 欧阳 创编