2024年人工智能實(shí)驗(yàn)報(bào)告

人工智能第二次試驗(yàn)匯報(bào)試驗(yàn)題目：遺傳算法的設(shè)計(jì)與實(shí)現(xiàn)試驗(yàn)?zāi)康模和ㄟ^人工智能課程的學(xué)習(xí)，熟悉遺傳算法的簡(jiǎn)樸應(yīng)用。試驗(yàn)內(nèi)容用遺傳算法求解f(x)=x2的最大值，x∈[0,31]，x取整數(shù)?？梢钥闯鲈摵瘮?shù)比較簡(jiǎn)樸，只要是為了體現(xiàn)遺傳算法的思想，在問題選擇上，選了一種比較輕易實(shí)現(xiàn)的，把重要精力放在遺傳算法的實(shí)現(xiàn)，以及關(guān)鍵思想體會(huì)上。試驗(yàn)過程：實(shí)現(xiàn)過程（1）編碼使用二進(jìn)制編碼，隨機(jī)產(chǎn)生一種初始種群。L表達(dá)編碼長(zhǎng)度，一般由對(duì)問題的求解精度決定，編碼長(zhǎng)度L越長(zhǎng)，可期望的最優(yōu)解的精度也就越高，過大的L會(huì)增大運(yùn)算量。針對(duì)該問題進(jìn)行了簡(jiǎn)化，由于題設(shè)中x∈[0,31]，因此將二進(jìn)制長(zhǎng)度定為5就夠用了；（2）生成初始群體種群規(guī)模表達(dá)每一代種群中所含個(gè)體數(shù)目。隨機(jī)產(chǎn)生N個(gè)初始串構(gòu)造數(shù)據(jù)，每個(gè)串構(gòu)造數(shù)據(jù)成為一種個(gè)體，N個(gè)個(gè)體構(gòu)成一種初始群體，N表達(dá)種群規(guī)模的大小。當(dāng)N取值較小時(shí)，可提高遺傳算法的運(yùn)算速度，但卻減少種群的多樣性，輕易引起遺傳算法早熟，出現(xiàn)假收斂；而N當(dāng)取值較大時(shí)，又會(huì)使得遺傳算法效率減少。一般提議的取值范圍是20—100。（3）適應(yīng)度檢測(cè)根據(jù)實(shí)際原則計(jì)算個(gè)體的適應(yīng)度，評(píng)判個(gè)體的優(yōu)劣，即該個(gè)體所代表的可行解的優(yōu)劣。本例中適應(yīng)度即為所求的目的函數(shù)；（4）選擇從目前群體中選擇優(yōu)良（適應(yīng)度高的）個(gè)體，使它們有機(jī)會(huì)被選中進(jìn)入下一次迭代過程，舍棄適應(yīng)度低的個(gè)體。本例中采用輪盤賭的選擇措施，即個(gè)體被選擇的幾率與其適應(yīng)度值大小成正比；（5）交叉遺傳操作，根據(jù)設(shè)置的交叉概率對(duì)交配池中個(gè)體進(jìn)行基因交叉操作，形成新一代的種群，新一代中間個(gè)體的信息來自父輩個(gè)體，體現(xiàn)了信息互換的原則。交叉概率控制著交叉操作的頻率，由于交叉操作是遺傳算法中產(chǎn)生新個(gè)體的重要措施，因此交叉概率一般應(yīng)取較大值；但若過大的話，又也許破壞群體的優(yōu)良模式。一般取0.4到0.99。（6）變異隨機(jī)選擇中間群體中的某個(gè)個(gè)體，以變異概率大小變化個(gè)體某位基因的值。變異為產(chǎn)生新個(gè)體提供了機(jī)會(huì)。變異概率也是影響新個(gè)體產(chǎn)生的一種原因，變異概率小，產(chǎn)生新個(gè)體少；變異概率太大，又會(huì)使遺傳算法變成隨機(jī)搜索。一般取變異概率為0.0001—0.1。（7）結(jié)束條件當(dāng)?shù)玫降慕獠恍∮诘扔?00時(shí)，結(jié)束。從而觀看遺傳的效率問題。代碼及成果：/*遺傳算法設(shè)計(jì)最大值*/#include<stdio.h>#include<string.h>#include<stdlib.h>#include<time.h>#defineC0//測(cè)試#defineCFLAG4//測(cè)試標(biāo)識(shí)#defineJIAOCHA_RATE0.5//交叉概率一般取0.4到0.99#defineBIANYI_RATE0.09//變異概率為0.0001-0.1#defineITER_NUM1000//迭代次數(shù)#definePOP_NUM20//染色體個(gè)數(shù)#defineGENE_NUM5//基因位數(shù)#defineFEXP(x)((x)*(x))//y=x^2typedefunsignedintUINT;//染色體typedefstruct{chargeneBit[GENE_NUM];//基因位UINTfitValue;//適應(yīng)值}Chromosome;//將二進(jìn)制的基因位轉(zhuǎn)化為拾進(jìn)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])));}}//變異得到新個(gè)體:隨機(jī)變化基因voidmutation(Chromosome*pop){UINTrandRow,randCol;UINTrandValue;randValue=rand()%100;if(randValue>=(int)(BIANYI_RATE*100)){ #if(C==1)&&(CFLAG==4) printf("\n種群個(gè)體沒有基因變異\n"); #endifreturn;}randCol=rand()%GENE_NUM;//隨機(jī)產(chǎn)生將要變異的基因位randRow=rand()%POP_NUM;//隨機(jī)產(chǎn)生將要變異的染色體位#if(C==1)&&(CFLAG==4)printf("\n變異前\n");test(pop);printf("\n變異的位置為:染色體號(hào)=%d基因位號(hào)=%d\n",randRow+1,randCol);#endifpop[randRow].geneBit[randCol]=(pop[randRow].geneBit[randCol]=='0')?'1':'0';//1變?yōu)?,0變?yōu)?pop[randRow].fitValue=calcFitValue(toDec(pop[randRow]));#if(C==1)&&(CFLAG==4)printf("\n變異後\n");test(pop);#endif}//創(chuàng)立初始群體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';//將隨機(jī)數(shù)0或1賦給基因}value=toDec(pop[i]);pop[i].fitValue=calcFitValue(value);}#if(C==1)&&(CFLAG==1)printf("\n隨機(jī)分派的種群如下:\n");test(pop);#endif}//更新種群voidupdatePop(Chromosome*newPop,Chromosome*oldPop){UINTi;for(i=0;i<POP_NUM;i++){oldPop[i]=newPop[i];}}//選擇優(yōu)良個(gè)體:根據(jù)適應(yīng)度選擇最優(yōu)解，即最優(yōu)個(gè)體voidselect(Chromosome*pop){UINTi,j;UINTsumFitValue;//總適應(yīng)值UINTaFitValue;//平均適應(yīng)值floatchoice[POP_NUM];//選擇ChromosometempPop;//互換變量#if(C==1)&&(CFLAG==2)//測(cè)試printf("\n沒有選擇前的種群如下:\n");test(pop);#endif//根據(jù)個(gè)體適應(yīng)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;}}}//計(jì)算總適應(yīng)值sumFitValue=0;for(i=0;i<POP_NUM;i++){sumFitValue+=pop[i].fitValue;}aFitValue=(UINT)(((float)sumFitValue/POP_NUM)+0.5);//計(jì)算平均適應(yīng)值//計(jì)算出每個(gè)群體選擇機(jī)會(huì)，群體的概率=群體適應(yīng)值/總適應(yīng)值，平均概率=平均適應(yīng)值/總適應(yīng)值，群體選擇機(jī)會(huì)=(群體的概率/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);//保留到小數(shù)點(diǎn)後2位} //根據(jù)選擇概率來繁殖優(yōu)良個(gè)體，并淘汰較差個(gè)體for(i=0;i<POP_NUM;i++){if(((int)(choice[i]+0.55))==0)//假如choice[i]==0淘汰繁殖一次最優(yōu)的群體pop[POP_NUM-1]=pop[0];}#if(C==1)&&(CFLAG==2)printf("\n通過選擇後來的種群:\n");test(pop);#endif}//交叉:基因互換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種群沒有進(jìn)行交叉.\n");#endifreturn;}#if(C==1)&&(CFLAG==3)printf("\n交叉前,種群如下:\n");test(pop);printf("\n交叉的位置依次為:");#endif//染色體兩兩交叉for(i=0;i<POP_NUM;i+=2){randPos=(rand()%(GENE_NUM-1)+1);//產(chǎn)生隨機(jī)交叉點(diǎn)，范圍是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}//對(duì)個(gè)體計(jì)算適應(yīng)度for(i=0;i<POP_NUM;i++){pop[i].fitValue=calcFitValue(toDec(pop[i]));}#if(C==1)&&(CFLAG==3)printf("\n交叉後,種群如下:\n");test(pop);#endif}//輸出成果voidresult(Chromosome*pop){UINTi;UINTx=0;UINTmaxValue=0;//函數(shù)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當(dāng)x=%d時(shí),函數(shù)得到最大值為:%d\n\n",x,maxVa