人工智能实验报告实用.docx
- 文档编号:16485557
- 上传时间:2023-07-14
- 格式:DOCX
- 页数:13
- 大小:48.32KB
人工智能实验报告实用.docx
《人工智能实验报告实用.docx》由会员分享,可在线阅读,更多相关《人工智能实验报告实用.docx(13页珍藏版)》请在冰点文库上搜索。
人工智能实验报告实用
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
二.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。
三.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....感谢聆听...
(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。
...感谢聆听...
(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〈stdio。
h>
#include〈string.h>
#include
h>
#include〈time。
h>
#defineC 0 //测试
#defineCFLAG 4 //测试标记
#defineJIAOCHA_RATE0.5 //交叉概率一般取0。
4到0。
99
#define BIANYI_RATE 0.09//变异概率为0.0001—0.1
#defineITER_NUM 1000 //迭代次数
#definePOP_NUM 20 //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;
UINT radix= 1;
UINT result =0;
for(i=0; i〈GENE_NUM;i++)
{
result +=(pop。
geneBit[i]-’0')*radix;
radix *=2;
}
returnresult;
}
UINTcalcFitValue(UINTx) {
returnFEXP(x);
}
void test(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:
随机改变基因
voidmutation(Chromosome*pop){
UINTrandRow, randCol;
UINTrandValue;
randValue=rand()%100;
if(randValue 〉=(int)(BIANYI_RATE*100))
{
#if(C==1)&&(CFLAG==4)
ﻩprintf("\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){
UINT i,j;
UINTrandValue;
UINT value;
srand((unsigned)time(NULL));
for(i=0;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随机分配的种群如下: \n"); test(pop); #endif } //更新种群 voidupdatePop(Chromosome*newPop,Chromosome *oldPop){ UINT i; 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 void select(Chromosome *pop){ UINT i,j; UINT sumFitValue; //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<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 { 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 } ﻩ//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)//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){ char tmpStr[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<POP_NUM;i+=2) { 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_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=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,maxValue); } intmain(int argc,char*argv[]){ ﻩintcount; //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. ...谢阅...
- 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 实用