2023年人工智能遗传算法实验报告

人工智能实验报告学号:姓名:实验名称:遗传算法实验日期:2０23.1．５ﻬ【实验名称】遗传算法【实验目的】掌握遗传算法的基本原理，熟悉遗传算法的运营机制，学会用遗传算法来求解问题。【实验原理】遗传算法（ＧｅneｔicＡlｇorithm）是模拟HＹPERＬＩNK""\t"＂达尔文HYPERLIＮK""＼t""生物进化论的自然选择和ＨＹPEＲLＩＮＫ""\t＂"遗传学机理的生物进化过程的计算ＨＹPERＬINK""＼t""模型，是一种通过模拟自然进化过程搜索HYPEＲLIＮK""\t"＂最优解的方法。遗传算法是从代表问题也许潜在的解集的一个HYＰＥＲLＩNK""种群开始的,而一个种群则由通过ＨＹPEＲＬＩNK""基因编码的一定数目的个体组成。每个个体事实上是HYPEＲLIＮK＂"＼t＂"染色体带有特性的实体。在一开始需要实现从HYＰERLINK""\ｔ"＂表现型到基因型的HYPEＲLＩNＫ""＼t""映射即ＨYPERLＩNK""\ｔ""编码工作。由于仿照基因编码的工作很复杂,我们往往进行简化，如ＨＹＰERＬINＫ""\t＂"二进制编码,初代种群产生之后，按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解,在每一代,根据问题域中个体的HYＰERＬINＫ＂"＼ｔ""适应度大小选择个体，并借助于自然遗传学的遗传HYPERLINＫ"＂\ｔ""算子进行组合交叉和变异,产生出代表新的解集的种群。这个过程将导致种群像自然进化同样的后生代种群比前代更加适应于环境,末代种群中的最优个体通过ＨYＰＥRLINＫ＂"\t＂"解码，可以作为问题近似最优解。遗传算法限度流程图为:【实验内容】题目:已知f（ｘ）＝x*ｓiｎ(x)+１，xÎ[０,2ｐ]，求f(ｘ)的最大值和最小值。数据结构:sｔｒuctpoptyｐｅ｛ dｏuｂlｅｇｅne[length];／/染色体ﻩｄoｕbｌeｒeａlｎumbｅr;//相应的实数x doｕbleｆitnｅss；/／适应度ﻩｄoublｅrfiｔｎess；／/相对适应度ﻩdｏｕbｌeｃｆitnｅss；／/累计适应度}；struｃtpoptypeｐｏpulatｉon[pｏpsize+1];／／最后一位存放max/miｎsｔruｃtpoptyｐenewpopulation[popsize+1］;／／染色体编码:，变量长度为2π，取小数点后６位,由于因此，染色体由23位字节的二进制矢量表达，则X与二进制串(<ｂ22b21……b0>)2之间的映射如下:；适应度函数:由于规定ｆ（ｘ)的最值，所以适应度函数即可为f(x）。但为了保证在轮赌法选择过中，每个个体都有被选中的也许性,因此需要将所有适应度调整为大于0的值。因此,设计求最大值的适应度函数如下:将最小问题转化为求-ｆ(x)的最大值，同理，设计最小值的适应度函数如下:种群大小:本实验默认为５０,再进行种群初始化。实验参数:重要有迭代数,交叉概率,变异概率这三个参数。一般交叉概率在0.６－０．9范围内,变异概率在0.０1-０.1范围内。可以通过手动输入进行调试。重要代码如下:vｏiｄiniｔialize()／／种群初始化｛ srａnｄ(ｔime(NＵLＬ))； inti,j； for(i=0;i<popsｉze;ｉ++)ﻩ foｒ(ｊ=0;j<２３;j+＋）ﻩ pｏpuｌａtion[ｉ].gene[j］=rand(）％2;voiｄtransform()／/染色体转化为实数ｘ{ﻩiｎtｉ,j；ﻩｆor(i=0;i<=popsiｚe＋1;ｉ＋+) {ﻩﻩpopuｌatｉon[i].realnumber＝0;ﻩﻩfor(j=0;j<２3；j++) ﻩ pｏｐulaｔion［i]．ｒealnｕmbｅr+=pｏpulａtion[i]．genｅ［j]*pow（2，j); ｐopuｌａtioｎ［i].realnumbｅr=ｐｏｐulatｉoｎ[ｉ］．realｎｕｍbｅｒ*２＊pi/（poｗ（2，23)-1);}｝voidcal＿fitｎeｓs()//计算适应度{ﻩinti;ﻩfｏｒ(i=0;i<ｐoｐsize;i++) population[i］.fiｔneｓs=pｏpulaｔｉoｎ[i]．ｒealｎuｍｂer*sin(pｏpｕｌaｔioｎ[i].realnumbｅｒ)＋６;｝ｖoｉdselect（)//选择操作{ﻩintmｅm,ｉ，j,ｋ； douｂlesｕm=0;ﻩdoubｌep; for（mem＝0;mem<ｐopsizｅ;mｅｍ+＋）ﻩﻩsuｍ+=pｏpulatioｎ[mem］.fｉtness;ﻩｆor(mem=0;ｍem＜popsizｅ；ｍeｍ＋+) ﻩpoｐulatioｎ[mem].rfiｔness=populａｔion[mem］.fiｔｎess/sｕｍ;ﻩpopuｌatｉoｎ[０].cfiｔness＝populaｔｉon[０]．rfｉｔｎeｓs; ｆor(mｅｍ=1;meｍ<ｐopsｉzｅ；mem++) poｐulａｔｉｏn[mem].cｆitnesｓ=popuｌatioｎ[mem-1］.cfiｔnesｓ＋ｐｏpulation[ｍem］.ｒfitneｓs;ﻩｆｏr（i=0；i＜pｏpsize;i++) ｛//轮赌法选择机制 p=rａnd（）%1000/1000．0; if(p<poｐｕlａtion[0]．cfitness）ﻩ ｎewpopulａtiｏn[ｉ］=population[0];ﻩ elｓe{ﻩﻩ for(j=0;ｊ<poｐsizｅ;j＋+) ﻩﻩ ｉｆ(p＞＝popuｌaｔioｎ[j].ｃfitｎｅｓs&&ｐ<poｐulａtiｏn［ｊ+１］．ｃfｉtｎess)ﻩﻩﻩ newｐｏpｕlａtioｎ[i]=popｕｌaｔion[j+１]; ﻩ｝}fｏｒ(ｉ=0;i<popsｉze;i++)／/复制给下一代ｐoｐulation[i］=neｗpopuｌation[ｉ];｝ｖｏidcｒoｓs()//交叉操作｛ inti，mem,one; intfｉrｓt=０;ﻩｄoubｌｅx；ﻩｆｏｒ(ｍem=0；ｍｅm<popsize;ｍｅm++) {ﻩ x=raｎd（）%1０00／100０.0; if(ｘ<pcrｏss) ｛ﻩ ﻩ++first；ﻩﻩ if（fｉrｓt％2＝=０)Ｘover(ｏne，ｍem)；／/个体间染色体进行交叉函数ﻩ ﻩeｌseoｎe=mem;}}}ｖｏidmuｔatｅ()//变异操作{ﻩinti,j，ｔ; ｄoubｌｅx; fｏr(i=0;i<ｐopsｉze;i＋+）ﻩﻩfor(j=0;j<ｌength;j＋+） ｛ﻩ ﻩｘ=rand()%1００0/1000．0;ﻩﻩif（ｘ<ｐvariatiｏn）ﻩﻩ｛ﻩﻩﻩif（pｏpuｌatioｎ［i］．genｅ[ｊ]）popuｌation[i]．genｅ［j]=0; ﻩ ｅlｓepopｕlation[i].geｎe[j]=1;}}}ｖoidcａl＿mａｘ（)／/计算最大值｛ﻩinti; ｄoublemax，sum=0; intmaｘ_ｍ; ｍax=populatｉｏn［０].fiｔneｓｓ； for(i=0；i<popｓizｅ－1;ｉ+＋) {ﻩ ｉｆ(pｏpulａtioｎ[i]．fitnｅss>ｐopuｌatioｎ［i＋1].fitneｓs) ﻩ ｉf（popuｌaｔion[ｉ]．fitnesｓ>＝ｍax) ﻩﻩ｛ ﻩﻩﻩmax=poｐｕlａtioｎ[i]．ｆitneｓs;ﻩ ﻩ max＿m＝i; }ﻩﻩeｌsｅif(popｕｌａｔion[i+1]．fｉtneｓｓ>＝max) ﻩﻩ{ﻩ ﻩﻩmaｘ=populatｉoｎ[i+1].fitneｓｓ;ﻩ ﻩﻩmａx_m＝i+1；ﻩ} }ﻩif(mａx>ｐopｕlａｔion[popsｉze]．fitneｓs)ﻩ｛ ﻩｉteｒatｉｏn=０; ｆor(ｉ＝0;i＜length;i＋+) ｐｏｐuｌaｔioｎ[popsize].gｅne[i]=pｏｐulation[mａx＿m].gene[i]；ﻩﻩｐｏｐulａｔion[pｏpsize]．fｉtnｅｓs=populaｔｉon[mａｘ_m].fitness;} ｆor(i=0;ｉ＜length；i＋+)ﻩﻩ ｓuｍ＝populatｉon［pｏpsizｅ].geｎe[ｉ]-popｕlaｔｉｏｎ[maｘ_